利用临床和生化数据进行个性化心血管风险预测:一种机器学习方法,实现精准营养

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 机器学习 机器学习
• 公共卫生 公共卫生

背景情况:

• 心血管疾病 (CVD) 对印度农村的绝经后妇女造成重大健康负担.
• 在这些地区,医疗保健资源有限,需要创新的风险评估方法.

研究的目的:

• 开发和评估人工智能 (AI) 和机器学习 (ML) 模型,用于预测农村老年妇女心血管疾病风险.
• 在这个人口群体中确定心血管疾病的关键临床预测因素.
• 评估AI工具对心血管疾病风险预测的可解释性和性能.

主要方法:

• 一项涉及458名农村绝经后妇女的观察性,横截面研究.
• 七个ML模型 (随机森林,XGBoost,SVM等) 的开发和比较. 使用临床预测因素,如腰围,血压,葡萄糖,HDL,甘油三和维生素D.
• 模型性能使用5倍交叉验证与包括精度,AUC,精度和回忆在内的指标进行评估.

主要成果:

• 171名 (37.3%) 参与者患有心血管疾病风险升高.
• 随机森林模型达到98.91%的准确性;XGBoost显示AUC为0.998,准确率为97.2%,回忆率为98.3%.
• 腰围,血压和禁食葡萄糖被确定为心血管疾病风险的最重要的预测因素.

结论:

• 高度准确和可解释的ML模型 (随机森林,XGBoost) 可以预测农村绝经后妇女的心脏病风险.
• 人工智能驱动的工具提供了一个有希望的,低成本的解决方案,用于早期发现心血管疾病和个性化的预防策略在资源有限的环境中.