通过自动机器学习增强的心血管风险评估在多阶段研究中的多阶段研究

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 生物医学信息学 生物医学信息学

背景情况:

• 心血管疾病 (CVD) 是一个主要的全球健康问题,现有的风险预测有局限性.
• 脂蛋白 (a) [Lp(a) ]是已知的心血管疾病风险因素,但其预测能力可以提高.
• 自动机器学习 (AutoML) 是一种有前途的方法,可以开发复杂的心血管疾病风险预测模型.

研究的目的:

• 开发和验证AutoML模型来预测脂蛋白 (a) 水平,特定的CVD和CVD相关的死亡率.
• 通过机器学习识别心血管疾病风险的关键决定因素.
• 在临床数据集中评估AutoML模型的性能和通用性.

主要方法:

• 使用了来自LURIC (n=3316) 和UMC/M (n=423) 研究的临床数据集.
• 开发和应用AutoML模型在三个不同的阶段进行预测任务.
• 采用SHAP分析来解释模型预测并确定重要的临床变量.

主要成果:

• 第一阶段模型在识别心血管疾病决定因素方面表现出很好的准确性 (AUC 0.62490.9101).
• 在UMC/M数据集中的第2阶段验证显示了强大的性能 (AUC 0.72240.8417),其中他类药物治疗,年龄和NTproBNP被突出显示为关键预测因素.
• 心血管死亡率预测的第三阶段模型实现了高AUC值 (0.740.85),尽管数据漂移需要调整模型.

结论:

• 自动ML模型显示了改善心血管疾病风险预测和确定关键临床决定因素的巨大潜力.
• 经过验证的AutoML模型在不同的临床队列中提供了强大的性能.
• 由于潜在的数据漂移,持续监测和调整对于保持模型性能至关重要.