在患有冠状动脉动脉样硬化患者中进行冠状动脉疾病风险分层的可解释机器学习:一项回顾性横截面研究

科学领域:

• 心血管医学 心血管医学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 动脉动脉样硬化是冠心病 (CHD) 的重要危险因素.
• 准确的风险分层对于 carotid 动脉样硬化患者的及时干预至关重要.
• 现有的风险预测模型可能无法完全捕捉这种人群中CHD发展的复杂性.

研究的目的:

• 开发和验证一种机器学习模型,用于预测患有动脉样硬化症患者的心脏病风险.
• 在这个患者队列中确定心血管疾病的关键预测因子.
• 评估开发模型的临床实用性和可解释性.

主要方法:

• 对442名患有动脉样硬化症的患者进行了回顾性分析.
• 开发和比较七个机器学习算法 (逻辑回归,XGBoost,LightGBM,随机森林,KNN,SVM,堆叠组合).
• 使用逻辑回归进行特征选择,确定年龄,糖尿病,超脂血症,暂时性缺血性发作 (TIA) 和动脉斑块作为预测因素.
• 使用十倍交叉验证,AUC,精度,灵敏度,特异性和F1分数进行性能评估.
• 通过校准和决策曲线分析评估Shapley添加式解释 (SHAP) 的解释性和临床实用性.

主要成果:

• 所有机器学习模型都表现出令人满意的性能.
• 后勤回归 (LR) 模型在测试组中实现了0.838的最高曲线下面积 (AUC).
• SHAP分析强调了状动脉斑块的存在和TIA作为最有影响力的预测因素.
• 校准和决策曲线分析证实了预测和观察到的风险之间的强烈一致,表明了显著的临床净益.

结论:

• 一个可解释的物流回归模型,包括年龄,糖尿病,超脂血症,TIA和心动脉斑块,为心动脉动脉样硬化患者提供可靠的心血管疾病风险分层.
• 该模型是个性化风险评估的实用和可解释的工具.
• 该模型支持这种高风险人群的早期临床决策.