使用机器学习和SHAP解释预测代谢功能障碍相关的脂肪性肝病中的状动脉斑块

科学领域:

• 心血管流行病学心血管流行病学
• 医疗信息学医学信息学
• 生物统计学 生物统计学

背景情况:

• 心血管疾病 (CVD) 是全球主要的死亡原因.
• 冠状动脉斑块作为亚临床心血管疾病的标志物.
• 与代谢功能障碍相关的脂肪性肝病 (MASLD) 与动脉样硬化心血管疾病风险的增加有关.

研究的目的:

• 开发和验证一个预测模型,用于MASLD患者的状腺斑块的发生.
• 整合常规健康检查指标与机器学习 (ML) 算法.
• 利用先进的解释性框架来理解个体风险因素的贡献.

主要方法:

• 一项回顾性队列研究涉及4,973名MASLD患者,其中1,178人通过超声波诊断出 carotid 斑块.
• 数据包括人口统计,临床病史,生化参数和肝功能测试.
• 五个ML算法用于模型开发和验证,使用AUC,灵敏度,特异性,精度和F1评分来评估性能. 为了解释性,使用了沙普利增量解释 (SHAP) 框架.

主要成果:

• 支持矢量机 (SVM) 模型表现出卓越的区分能力,适合性和临床实用性.
• 在MASLD人群中,动脉斑块的关键预测因素是年龄,缩血压,总胆固醇,性别和禁食血葡萄糖.
• SHAP分析量化了这些个别风险因素对预测结果的影响.

结论:

• 使用健康检查数据和ML算法,可以构建一个可行的预测模型,用于MASLD患者的喉斑块.
• 整合SHAP方法提高了模型的解释性,澄清了个别风险因素的作用.
• 这种方法使临床医生能够识别高风险的MASLD患者,以进行有针对性的干预,以预防状动脉斑块的发展.