使用机器学习量化心血管自主衰老

科学领域:

• 心血管生理学心血管生理学
• 生物标志物 生物标志物
• 机器学习在医学中的应用

背景情况:

• 精准医学和衰老研究越来越多地利用机器学习 (ML).
• 自主心血管功能为生理衰老提供了洞察力.
• 现有的指标可能无法完全捕捉与年龄有关的心血管衰退.

研究的目的:

• 介绍心血管自主年龄 (CAA) 差距,这是一个基于ML的新型指标.
• 量化ML估计的生物年龄和时间年龄之间的偏差.
• 评估CAA差距与心血管风险的关联.

主要方法:

• 从1060名健康个体的高分辨率心电图和连续血压记录中得出29个自主指数.
• 在879名参与者身上训练了一种高斯过程回归模型,以估计生物年龄 (CAA).
• 计算了CAA差距作为CAA和时间年龄之间的差异,在风险分层队列中验证.

主要成果:

• 高心血管风险 (CVR) 组与低心血管风险 (-1年) 组相比,CAA差距显著增加 (+11年).
• CAA与弗雷明汉风险评分 (r=0.42,P<0.001) 有积极的相关性.
• 在高CVR组中,在风险值中持续观察到CAA的升高.

结论:

• 该CAA差距作为心血管风险和加速生理衰老的敏感和可解释的指标.
• 这种新型指标具有早期检测和对心血管健康的纵向评估的潜力.
• 基于ML的自主标记器为了解衰老过程提供了新的途径.