多维可视化和人工智能驱动的预测使用临床和生化生物标志物在早产心血管衰老
Kuat Abzaliyev1, Madina Suleimenova2, Symbat Abzaliyeva2
1Department of Internal Medicine, Faculty of Medicine and Healthcare, Al-Farabi Kazakh National University, Almaty 050040, Kazakhstan.
Biomedicines
|October 29, 2025
概括
这项研究整合了多维数据和人工智能,以确定心血管疾病 (CVD) 风险因素,成功地将高风险与低风险个体分开. 研究结果强调功能和高血压是准确预防的关键预测因素.
科学领域:
- 心血管研究研究心血管研究
- 人工智能在医学中的应用
- 生物标志物发现发现
背景情况:
- 心血管疾病 (CVD) 是全球死亡的主要原因.
- 高血压,缺血性心脏病 (IHD) 和脑血管事故 (CVA) 构成了心血管疾病的连续性.
- 现有的研究往往忽视了用于模式发现的集成多维数据和人工智能.
研究的目的:
- 整合临床,生化和生活方式数据用于心血管疾病风险概况.
- 应用多维可视化和AI来识别隐藏的模式和风险集群.
- 开发用于精确心血管预防的可解释模型.
主要方法:
- 分析了106名患者的综合临床,生化 (功能,炎症标志物,脂质) 和生活方式数据.
- 应用相关性分析,平行坐标,t-SNE与k-means集群,PCA和随机森林与SHAP解释.
- 引导重新采样SHAP值的置信区间,以评估特征稳定性.
主要成果:
- t-SNE集群实现了高风险 (100%心血管疾病阳性) 和低风险 (7.8%心血管疾病率) 组的完全分离.
- 随机森林确定了功能,高血压和身体活动作为主要预测因素 (准确率为0.818,AUC-ROC为0.854).
- SHAP分析强调了动脉高血压,BMI,身体不活动,脏生物标志物和NT-proBNP作为关键预测因素.
结论:
- 开创了集成的多维可视化和AI,用于可解释的CVD风险概况.
- 展示了基于数据的高风险和低风险集群识别的潜力.
- 研究结果表明,对于心血管衰老的精确预防和决策支持方面,有潜在的可解释模型.
