基于机器学习的可解释性高血压患者心血管疾病预测:算法比较和夏普利添加式扩展 (SHAP) 分析
1Department of Computer and Simulation Technology, Faculty of Health Service, Naval Medical University, No. 800, Xiangyin Road, Yangpu District, 200433 Shanghai, China.
一个新的机器学习模型使用八个关键变量准确预测高血压患者的心血管疾病. 这种工具有助于早期查和临床决策,以获得更好的患者结果.
科学领域:
- 心血管健康 心血管健康
- 机器学习在医学中的应用
- 高血压管理 高血压管理
背景情况:
- 心血管疾病 (CVD) 是高血压患者疾病的主要原因之一.
- 准确和可解释的心血管疾病预测模型对于高血压早期干预至关重要.
- 目前的临床查方法需要在高血压人群中进行增强.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于预测高血压患者心血管疾病风险.
- 提高高血压患者心血管疾病临床查的疗效.
- 提高CVD风险预测模型的可解释性.
主要方法:
- 利用了来自国家健康和营养检查调查 (2009-2018) 的数据.
- 采用特征选择技术,包括最小绝对收缩和选择运算符,Boruta和递归特征消除.
- 使用四个ML算法构建预测模型,并通过十倍交叉验证和独立测试集评估性能.
- 应用了SHapley添加式解释 (SHAP) 来实现机械解释性.
主要成果:
- 包括2781名参与者;确定了八个关键预测变量.
- 均衡包装分类器模型表现出卓越的性能.
- SHAP分析确定了中性粒细胞-淋巴细胞比率,腰与身高比率,年龄,高密度胆固醇,低密度胆固醇,脏疾病,睡眠障碍和糖尿病是最重要的预测因素.
结论:
- 开发的ML模型对于预测高血压患者心血管疾病的有效性和通用性.
- SHAP分析显著提高了模型的解释性,支持临床决策.
- 该模型显示了作为早期心血管疾病查和高血压人群风险评估的实际工具的潜力.
更多相关视频
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
07:51Hydra, a Computer-Based Platform for Aiding Clinicians in Cardiovascular Analysis and Diagnosis
Published on: September 26, 2018
相关概念视频
Errors occurring during blood pressure monitoring
Several factors...
Pre-Procedural Guidelines for Assessing Blood Pressure
Cardiovascular Drugs: Classification based on Therapeutic Indications
Factors affecting Blood pressure
Physiological Factors:
Hypertension III: Clinical Manifestations and Diagnostic Studies
Coronary Artery Disease I: Introduction
