可解释的机器学习模型用于对患有与代谢功能障碍相关的脂肪性肝病患者的动脉样性心血管疾病进行分类
Zhengliang Li1, Xiaokai Chen2, Linlin Ren2
1Department of Cardiology, The Affiliated Hospital of Qingdao University, Qingdao, Shandong, China.
机器学习模型准确地预测了与代谢功能障碍相关的脂肪性肝病 (MASLD) 患者的动脉样硬化心血管疾病 (ASCVD) 风险. 这些模型,特别是渐变增强,为MASLD中ASCVD的早期风险分层提供了改进.
科学领域:
- 心脏病学 心脏病学
- 肝病学 肝病学是一种肝病学.
- 医疗信息学 医疗信息学
背景情况:
- 与代谢功能障碍相关的脂肪性肝病 (MASLD) 显著增加心血管疾病 (CVD) 死亡风险.
- 传统的心血管疾病风险预测指标在MASLD患者群体中显示出局限性.
- 准确的ASCVD风险评估对于MASLD管理至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 模型,以对MASLD患者的动脉样硬化心血管疾病 (ASCVD) 风险进行分类.
- 提高ML模型的可解释性,使用SHapley添加式扩展 (SHAP) 进行临床应用.
- 在MASLD中确定ASCVD的关键预测特征.
主要方法:
- 对590名MASLD患者的回顾性分析.
- 开发六个ML模型,包括梯度增强 (GB),使用LASSO回归来进行特征选择.
- 模型性能通过AUC,精度,灵敏度,特异性和F1得分来评估.
- 用于特征重要性解释的SHAP分析.
主要成果:
- 梯度增强 (GB) 模型表现出高性能,AUC为0.918 (训练) 和0.817 (验证).
- 由SHAP确定的主要预测指标包括胆固醇-HDL-葡萄糖 (CHG) 指数,卡斯特利风险指数II (CRI-II),脂蛋白 (a) [Lp (a) ],血清肌素 (Scr) 和尿酸 (UA).
- 在73.6%的研究队列中,ASCVD的流行率为73.6%.
结论:
- 开发的GB模型准确地识别了MASLD患者中现有的ASCVD.
- 这种ML模型显示了在临床实践中作为早期ASCVD风险分层的有价值工具的潜力.
- SHAP分析提供了关于MASLD中ASCVD风险驱动因素的见解.
更多相关视频
07:03Author Spotlight: Establishing MASLD Cell Models for Investigating Disease Mechanisms and the Lipid-Lowering Effects of Koumiss
Published on: July 19, 2024
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
相关概念视频
Atherosclerosis III: Management
Coronary Artery Disease I: Introduction
Atherosclerosis I: Introduction
Effect of Hepatic Disease on Pharmacokinetics: Pathophysiologic Assessment and Liver Function Test
Atherosclerosis II: Clinical Manifestations and Diagnostic Tests
Coronary Artery Disease II: Pathophysiology
