机器学习和SHAP值用于预测中国新疆冠状动脉疾病风险

科学领域:

• 生物医学信息学 生物医学信息学
• 心血管研究研究心血管研究
• 医疗保健中的机器学习

背景情况:

• 准确的动脉样硬化心血管疾病 (ASCVD) 风险评估对于预防至关重要.
• 现有的预测模型缺乏多民族代表性,特别是在中国新疆.
• 需要可解释的模型来指导个性化的ASCVD预防策略.

研究的目的:

• 开发和验证可解释的机器学习 (ML) 模型,用于冠状动脉疾病 (CAD) 风险预测.
• 评估模型在多民族新疆人口中的性能和临床实用性.
• 确定影响该地区CAD风险的关键生物标志物和人口因素.

主要方法:

• 使用新疆患者的冠状动脉血管学/CCTA数据进行回顾性队列研究.
• 通过后勤回归和LASSO进行特征选择;使用XGBoost,RF,MLP,SVM,KNN和AdaBoost进行模型开发.
• 使用AUROC,校准曲线,Brier分数,决策曲线分析和与SCORE2亚太地区模型的比较进行性能评估.

主要成果:

• XGBoost模型获得了高的AUROC (男性:0.826,女性:0.786在测试组).
• 确定了关键的危险因素:年龄,肌,胆固醇,Lp(a),HDL-C,高血压,糖尿病 (根据性别和种族而异).
• 与SCORE2亚太地区相比,模型表现出优越的区分能力和校准,具有有利的临床效用.

结论:

• 可解释的ML模型提供个性化和准确的CAD风险预测.
• 开发的模型有效地识别了可修改的风险因素,以加强新疆的心血管疾病预防.
• 这些发现支持针对不同人群的量身定制的ML方法的应用.