尿液Na/K比率预测模型的开发和评估:从基于注意力的深度学习到经典合奏方法的系统比较

科学领域:

• 生物医学信息学 生物医学信息学
• 心血管健康 心血管健康
• 机器学习在医学中的应用

背景情况:

• 尿中的与 (Na/K) 比率是预测血压和心血管疾病风险的关键生物标志物.
• 准确估计Na/K比率对于临床风险评估至关重要.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于估计尿路Na/K比率.
• 使用生理变量,将经典ML模型的性能与复杂的深度学习架构进行比较.

主要方法:

• 利用了82名参与者的生理数据 (体重,血压,脉率).
• 开发了一个基于注意力的深度学习模型 (MIDIP),并将其与经典的ML模型 (随机森林,梯度提升,线性回归) 和整体策略进行了比较.
• 使用嵌套交叉验证框架进行严格的概括评估.

主要成果:

• 随机森林,梯度提升和线性回归 (A组) 的简单平均值产生了最佳性能 (MAE = 1.756,RMSE = 2.349,R2 = 0.390).
• 复杂的模型,包括基于注意力的变压器,由于小样本尺寸过大而导致性能下降或显示不稳定.
• 适应权重策略没有提高预测准确度.

结论:

• 模型简单性和等重组合方法在小数据集 (N=82) 中为尿液Na/K比率预测提供了卓越的概括性.
• 过于复杂的深度学习架构容易过度装配有限的数据.
• 强调严格验证和控制模型复杂性的临床ML应用的关键作用.