心血管疾病中高风险人群颈动脉粥样硬化的识别:基于机器学习的预测模型及验证

R54; 背景 颈动脉粥样硬化(CAS)常被视为心血管疾病(CVD)的预警信号,其诊断技术颈动脉多普勒超声检查没有被纳入公共卫生服务项目,同时弗雷明汉风险评分(FRS)存在着评估CAS风险准确性不足的情况,不利于基层医疗人员识别CAS.目前,关于机器学习方法识别FRS中高风险人群CAS的研究依然缺乏.目的 运用机器学习方法构建FRS中高风险人群CAS的预测模型,比较其判别效能,筛选出性能最优的模型,以期辅助基层医疗人员更简便更准确地识别CAS.方法 采用方便抽样法,选取 2019-2021 年和 2023 年在广西壮族自治区柳州市两乡镇的 674 例当地居民作为研究对象.收集相关信息,并采集空...

Full description

Saved in:
Bibliographic Details
Published in中国全科医学 Vol. 27; no. 30; pp. 3763 - 3771
Main Authors 刘忠典, 许琪, 陈伊静, 覃玲巧, 陈淑萍, 唐薇婷, 钟秋安
Format Journal Article
LanguageChinese
Published 530021 广西壮族自治区南宁市,广西医科大学公共卫生学院流行病学教研室 20.10.2024
Subjects
颈动脉粥样硬化
弗雷明汉风险评分
机器学习
识别
预测
Carotid atherosclerosis
Framingham risk score
Machine learning
心血管疾病
Identification
Cardiovascular diseases
Forecasting
Online AccessGet full text

Cover

More Information
Summary:R54; 背景 颈动脉粥样硬化(CAS)常被视为心血管疾病(CVD)的预警信号,其诊断技术颈动脉多普勒超声检查没有被纳入公共卫生服务项目,同时弗雷明汉风险评分(FRS)存在着评估CAS风险准确性不足的情况,不利于基层医疗人员识别CAS.目前,关于机器学习方法识别FRS中高风险人群CAS的研究依然缺乏.目的 运用机器学习方法构建FRS中高风险人群CAS的预测模型,比较其判别效能,筛选出性能最优的模型,以期辅助基层医疗人员更简便更准确地识别CAS.方法 采用方便抽样法,选取 2019-2021 年和 2023 年在广西壮族自治区柳州市两乡镇的 674 例当地居民作为研究对象.收集相关信息,并采集空腹血样、尿样检测生化指标.采用FRS评估CVD发生风险;运用颈动脉超声诊断CAS.将 2019-2021 年 517 例研究对象按照 8∶2 的比例随机分为训练集和验证集,训练集用于构建Logistic回归、随机森林(RF)、支持向量机(SVM)、极端梯度增强(XGBoost)模型和梯度增强决策树(GBDT)模型,验证集用于内部验证;2023年157例研究对象作为测试集,用于外部验证.通过Lasso回归分析筛选特征变量,运用灵敏度、特异度、准确度、F1值和曲线下面积(AUC)评价判别效能,外部验证采用AUC值评价最优模型泛化能力,并通过Shapley Additive exPlanation(SHAP)方法探讨影响最优模型识别CAS的重要变量.结果 通过Lasso回归,筛选出15个非零特征变量:年龄、BMI、收缩压(SBP)、吸烟、饮酒、高血压、总胆固醇、高密度脂蛋白胆固醇、C-反应蛋白(CRP)、空腹血糖、载脂蛋白B(ApoB)、脂蛋白a(LPA)、天冬氨酸氨基转移酶(AST)、AST/丙氨酸氨基转移酶、尿微量白蛋白肌酐比值.构建的Logistic回归、RF、SVM、XGBoost模型和GBDT模型的AUC值均较高,其中GBDT模型的判别性能最优,其灵敏度、特异度、准确度、F1值和AUC分别是0.755 1、0.836 4、0.798 1、0.778 9、0.834 9,外部验证AUC为 0.794 0.SHAP方法发现年龄、SBP、CRP、LPA、ApoB是影响GBDT模型识别CAS排名前5 的因素.结论 基于机器学习识别CAS的Logistic回归、RF、SVM、XGBoost模型和GBDT模型均显示出较高的判别性能,
ISSN:1007-9572
DOI:10.12114/j.issn.1007-9572.2024.0019