机器vs传统心血管危险评分
机器学习(Machine Learning， ML)是一门多领域交叉学科，可能有助于评估心血管危险因素，从而预测患者的预后。近日，在国际心血管权威杂志Circulation research上发表了一篇旨在评估机器学习-随机生存林(RF)与传统的心血管危险评分相比的特点的研究。 本研究纳入了动脉粥样硬化的多种族研究(MESA)中的研究对象，随访12年，评估其心血管结局。最终，本研究纳入了6814
机器学习(Machine Learning， ML)是一门多领域交叉学科，可能有助于评估心血管危险因素，从而预测患者的预后。近日，在国际心血管权威杂志Circulation research上发表了一篇旨在评估机器学习-随机生存林(RF)与传统的心血管危险评分相比的特点的研究。
本研究纳入了动脉粥样硬化的多种族研究(MESA)中的研究对象，随访12年，评估其心血管结局。最终，本研究纳入了6814名研究对象，年龄范围是45至84岁，共进行了包括影像学、非侵入性检查、问卷调查和生物标志物检测等735个变量的检查，并通过随机生存林技术对每个结局预后的前20个心血管预测因素进行评估。其中，年龄是全因死亡的最重要预测因素，空腹血糖水平与颈动脉超声检查是卒中的重要预测因素，冠状动脉钙化积分是冠心病和动脉粥样硬化性疾病的最重要预测因素，左室结构和功能、心脏肌钙蛋白T是心衰的重要预测因素，肌酸酐、年龄和踝臂指数是房颤的重要预测因素，组织坏死因子α、白介素-2可溶性受体及N末端脑钠肽前体水平是所有心血管预后的重要预测因素。此外，随机生存林技术比传统的危险评分更精确(Brier评分下降10-25%)。
研究结果显示，机器学习技术在预测各种心血管结局预后方面比传统的危险评分更加准确。
相关文章
评论
我要跟帖
.jpg)
