使用集成机器学习模型增强心血管疾病风险预测:来自英国生物银行的队列研究

科学领域:

• 心血管医学 心血管医学
• 生物统计学 生物统计学
• 计算生物学是一种计算生物学.

背景情况:

• 心血管疾病 (CVD) 是全球主要的死亡原因.
• 传统的风险模型在范围和统计方法方面存在局限性.
• 早期识别心脏病风险对于有效预防和管理至关重要.

研究的目的:

• 使用机器学习 (ML) 开发和验证一个全面的CVD风险预测模型.
• 整合遗传分数,临床参数和生活方式因素,以提高预测.
• 将ML模型的性能与传统风险评分进行比较.

主要方法:

• 利用英国生物库数据从超过24万名参与者.
• 采用了多种不同的ML算法 (Ridge,物流回归,SVM,随机森林,XGBoost,MLP,堆叠).
• 开发了针对整体心血管疾病和特定亚型的单独模型,包括遗传,临床和生活方式数据.

主要成果:

• 集成的ML模型实现了高预测性能 (AUC为0.85).
• 综合数据模型的表现优于使用单个数据类型 (仅临床,生活方式或遗传) 的数据模型.
• 鉴定到的关键预测因素包括年龄,缩血压,cystatin C和腰围.

结论:

• 整合临床,生活方式和遗传数据大大提高了CVD风险预测的ML模型准确性.
• 开发的ML模型显示了相对于弗雷明汉心血管风险评分 (AUC +0.12) 的显著改善.
• 这种模型在早期心血管疾病风险识别和个性化干预中具有临床应用的潜力.