基于人工智能的模型的开发和验证,用于使用纵向数据进行心血管疾病预测

科学领域:

• 机器学习在医疗保健中的应用.
• 心血管疾病流行病学
• 医学中的预测建模.

背景情况:

• 心血管疾病 (CVD) 在伊朗是一个重大的死亡挑战.
• 正在探索机器学习 (ML) 模型以确定心血管疾病风险因素.
• 评估深度学习和混合效应模型来预测10年心血管疾病发病率.

研究的目的:

• 确定伊朗心血管疾病 (CVD) 事件的重要预测因素.
• 评估深度学习模型 (LSTM,GRU) 和混合效应物流模型的有效性.
• 用纵向数据预测10年的心血管疾病发病率.

主要方法:

• 对4872名没有先前心血管疾病的成年人 (≥30岁) 的分析,随访10年.
• 利用人口,行为和生化数据作为输入特征.
• 采用长期短期记忆 (LSTM) 和门式循环单元 (GRU) 深度学习模型来分析风险因素动态.

主要成果:

• 在随访期间,545名参与者 (11.2%) 经历了心血管疾病事件.
• 在两种性别中,GRU模型的表现优于LSTM模型 (AUC~0.738-0.739).
• 在仅使用21个变量的情况下,GRU模型的性能与混合效应模型相当或优于混合效应模型.

结论:

• 深度学习模型,特别是GRU,有效地预测未来的心血管疾病事件.
• 这些模型有效地利用纵向医学数据.
• 通过有限的功能集实现的可比性能突出显示了模型的有效性.