在印尼人口中使用机器学习预测个性化高血压
Edo Septian1, Muhammad Rizal Khaefi1, Achmad Athoillah1
1Digital Transformation Office, Ministry of Health Republic of Indonesia, Jalan H.R Rasuna Said Blok X5 Kav. 4-9, South, 12950, Jakarta, Indonesia.
机器学习模型可以有效地预测高血压风险,即使没有个人病史. 关键预测因素包括年龄,家族史,体重和腰围,提供了有价值的查工具.
科学领域:
- 心血管健康 心血管健康
- 人工智能在医学中的应用
- 公共卫生信息学 公共卫生信息学
背景情况:
- 高血压风险预测对于公共卫生干预至关重要.
- 低资源设置经常面临影响预测模型准确性的数据限制.
- 机器学习 (ML) 提供了增强风险评估的潜力.
研究的目的:
- 在印尼使用ML模型增强个人高血压风险预测.
- 评估将个人高血压史纳入模型性能的影响.
- 在低资源环境中评估ML模型的有效性,并对潜在的数据限制进行评估.
主要方法:
- 利用了来自SATUSEHAT IndonesiaKu (ASIK) 系统的958万个成年人健康记录.
- 对比了两种ML模型变异:一种具有患者病史 (模型A) 和一种没有 (模型B).
- 使用AUC,灵敏度和特异性评估了五种算法 (XGBoost,LightGBM,CatBoost,后勤回归,随机森林).
主要成果:
- 模型A (具有病史) 比模型B (没有病史,AUC=0.78) 取得了更高的准确性 (AUC=0.85).
- 对于B型,XGBoost和LightGBM显示出最佳性能 (AUC=0.78),而LightGBM则是最佳的.
- SHAP分析确定了年龄,家族史,体重和腰围作为关键预测因素.
结论:
- 个人高血压病史显著提高了预测准确度.
- 机器学习模型可以有效地利用可访问的人口,临床和生活方式数据预测高血压风险.
- 模型B提供了在数据有限的环境中对高血压查的概括方法,突出了关键的风险决定因素.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
相关概念视频
Hypertension III: Clinical Manifestations and Diagnostic Studies
Errors occurring during blood pressure monitoring
Several factors...
Hypertension I: Introduction
Hypertension V: Nursing Management
Hypertension and Regulation of Blood Pressure
Factors affecting Blood pressure
Physiological Factors:
