基于最佳特征选择的可解释机器学习模型的应用,用于预测三重血管冠状动脉疾病:多中心回顾性研究

科学领域:

• 心脏病学 心脏病学
• 生物标志物发现发现
• 机器学习在医学中的应用

背景情况:

• 三重血管疾病 (TVD) 具有显著的心血管风险.
• 准确识别高风险个体对于及时干预至关重要.
• 现有的风险分层模型可能会从新生物标志物中受益.

研究的目的:

• 评估残留胆固醇-炎症指数 (RCII) 对TVD风险的预测值.
• 使用RCII和临床特征开发和比较用于TVD风险预测的机器学习 (ML) 模型.
• 确定高风险TVD个体的关键预测因素.

主要方法:

• 对2911名接受冠状动脉血管造影的患者进行了回顾性分析.
• 使用LASSO和多变量逻辑回归的特征选择.
• 开发和比较六个ML算法,以MLP为最佳模型.
• 为了模型的可解释性,夏普利添加式解释 (SHAP).

主要成果:

• 四个重叠的特征 (性别,年龄,AST,RCII) 被确定为关键预测因素.
• 多层感知子 (MLP) 模型显示出最佳性能.
• RCII是TVD风险的重要独立和协同预测指标.

结论:

• 对于TVD风险,RCII显示出强大的预测效用.
• 将RCII集成到ML模型中可以增强心血管风险分层.
• RCII作为一个有价值的复合生物标志物,用于评估TVD风险.