机器学习预测和SHAP解释性分析心力衰竭风险在患有高尿路血病的患者

科学领域:

• 心脏病学 心脏病学
• 腎臟病學 (nephrology) 是一種醫學.
• 公共卫生 公共卫生

背景情况:

• 心血管疾病,特别是心力衰竭 (HF),对全球健康造成重大负担.
• 高尿路血是已知的风险因素,增加了对HF的易感性.
• 目前的高频风险预测模型是复杂的,阻碍了临床应用.

研究的目的:

• 开发一个简单的,可解释的风险评估模型,对高尿血病患者的HF.
• 确定可访问的临床指标,用于风险分层的日常使用.
• 解决对管理心血管风险的实际工具的需求.

主要方法:

• 利用了NHANES数据 (2005年至2020年3月),其中包括1,603名患有高尿血症的成年人.
• 应用各种机器学习模型 (SVM,随机森林,物流回归,XGBoost) 进行预测.
• 使用精度,灵敏度,F1得分和ROC AUC评估模型性能;使用SHAP来确定特征的重要性.

主要成果:

• 支持矢量机 (SVM) 模型表现出卓越的性能.
• 确定了关键预测因素:慢性病,冠心病,高血压,血清,血清度和久坐时间.
• 这六个指标在高尿血症队列中显示出HF的显著预测能力.

结论:

• 提出了一种简单,可解释的工具,用于高尿素血症患者的高尿素风险分层.
• 该模型整合了六个易于获得的临床实用性指标.
• 建议进一步验证,但该模型显示了早期HF检测和干预的潜力.