开发和验证一种基于机器学习的新型算法,用于预测发生性心房动:多队列分析

科学领域:

• 心血管医学 心血管医学
• 医疗保健中的人工智能
• 健康 公平 研究 健康 公平 研究

背景情况:

• 现有的心房动 (AF) 风险预测模型通常包括种族,导致黑人个体系统地低估风险,并加剧医疗保健差异.
• 这种偏见凸显了对心血管医学中更公平的风险评估工具的需求.

研究的目的:

• 开发和验证基于机器学习 (ML) 的新型种族不可知风险评分,用于预测AF发生率.
• 将这些ML模型的性能和偏差与已建立的CHARGE-AF得分进行比较.

主要方法:

• 利用了大型的导出和验证队列 (社区动硬化风险,心血管健康研究,动硬化多民族研究,弗雷明汉姆后代和第三代),包括超过3万名参与者.
• 使用一致性指数和Brier评分评估模型性能;使用差异性影响,平等机会差异和Theil指数评估偏差.
• 确定了关键预测因素,包括年龄,临床因素 (心电图,生物标志物,血压) 和教育水平.

主要成果:

• 与CHARGE-AF相比,ML模型表现出更好的预测性能,由更高的一致性指数 (0.83与0.77) 和改进的校准 (较低的布赖尔分数) 证明.
• 人口归因风险分析显示,因年龄而导致AF风险贡献的种族差异显著.
• 与CHARGE-AF相比,开发的ML模型在所有评估指标中显著降低了算法偏差.

结论:

• 种族无关的ML模型为AF风险评估提供了增强的预测准确性和校准.
• 这些模型有效地减少了偏见,为改善临床风险分层和促进心血管保健中的健康公平提供了有希望的方法.