PL
Zaloguj się

Piśmiennictwo ·

Udoskonalone przewidywanie ryzyka choroby sercowo-naczyniowej z wykorzystaniem zintegrowanych modeli uczenia maszynowego

badanie z kohorty UK Biobank

Klasyczne skale ryzyka, takie jak Framingham i SCORE, bywają niewystarczające z powodu ograniczonego zestawu zmiennych. W tym badaniu wykorzystano uczenie maszynowe do opracowania kompleksowego modelu ryzyka sercowo-naczyniowego na podstawie danych z UK Biobank (240 644 uczestników), łączącego wskaźniki genetyczne, parametry kliniczne i czynniki stylu życia, z osobnymi modelami dla ogólnego ryzyka sercowo-naczyniowego, choroby naczyń mózgowych i choroby zakrzepowej. Najlepiej sprawdził się model zintegrowany (kliniczny + styl życia + genetyczny), z AUC wynoszącym 0,85, co stanowi poprawę o 0,12 w porównaniu ze skalą Framingham. Modele oparte wyłącznie na danych klinicznych, stylu życia lub danych genetycznych działały gorzej. Kluczowymi predyktorami były wiek, skurczowe ciśnienie tętnicze, cystatyna C i obwód talii. Połączenie danych klinicznych, dotyczących stylu życia i genetycznych istotnie poprawia zatem przewidywanie ryzyka sercowo-naczyniowego, choć nadal potrzebna jest walidacja w zróżnicowanych populacjach.

Podsumowanie

Cel

Choroby sercowo-naczyniowe (CVD) pozostają główną przyczyną śmiertelności na świecie, co wymaga wczesnego rozpoznawania ryzyka w celu poprawy strategii profilaktyki i postępowania. Tradycyjne modele przewidywania ryzyka, takie jak Framingham Cardiovascular Risk Score i Systematic Coronary Risk Evaluation, często okazują się niewystarczające z powodu opierania się na klasycznych metodach statystycznych i ograniczonego zakresu zmiennych.

Materiały i metody

W tym badaniu wykorzystano techniki uczenia maszynowego (ML) do opracowania i walidacji kompleksowego modelu przewidywania ryzyka CVD na podstawie danych z kohorty UK Biobank. Nasze podejście uwzględniało wskaźniki genetyczne, parametry kliniczne i czynniki stylu życia w celu utworzenia osobnych modeli dla ogólnej CVD, chorób naczyń mózgowych, chorób zakrzepowych i innych schorzeń sercowo-naczyniowych. Zastosowaliśmy zróżnicowany zestaw algorytmów ML, w tym regresję grzbietową (Ridge Regression), regresję logistyczną, maszyny wektorów nośnych, las losowy (Random Forest), XGBoost, wielowarstwowy perceptron i stacking, z rygorystycznymi procedurami walidacji krzyżowej zapewniającymi odporność modelu.

Wyniki

Z początkowej kohorty 502 407 osób do ostatecznej analizy włączono 240 644 uczestników. Model zintegrowany, łączący dane kliniczne, dotyczące stylu życia i genetyczne, osiągnął najwyższą skuteczność predykcyjną, z polem pod krzywą (AUC) wynoszącym 0,85. Modele oparte wyłącznie na danych klinicznych, danych o stylu życia i wielogenowych wskaźnikach ryzyka wykazywały mniejszą moc predykcyjną. Analiza stratyfikowana wykazała zmienną skuteczność w poszczególnych podtypach CVD, z najwyższym AUC wynoszącym 0,83 dla innych chorób sercowo-naczyniowych. Kluczowe predyktory obejmowały wiek, skurczowe ciśnienie tętnicze, stężenie cystatyny C i obwód talii.

Wniosek

Integracja danych klinicznych, dotyczących stylu życia i genetycznych istotnie zwiększa dokładność predykcyjną modeli ML w zakresie ryzyka CVD. Nasz model wykazuje solidną skuteczność, z poprawą AUC o 0,12 w porównaniu z Framingham Cardiovascular Risk Score, co wskazuje na jego potencjalną użyteczność w warunkach klinicznych w zakresie wczesnego rozpoznawania ryzyka i spersonalizowanych strategii interwencji. Przyszłe badania powinny koncentrować się na udoskonaleniu modelu poprzez uwzględnienie dodatkowych predyktorów i walidację jego zastosowania w zróżnicowanych populacjach.

Dołącz do nas

Dołącz do Globalnej Sieci Kardiologicznej Podstawowej Opieki Zdrowotnej. Członkostwo jest bezpłatne.

Czy chcą Państwo podać więcej informacji o sobie?

Zainteresowania

Wyślemy wiadomość e-mail z linkiem potwierdzającym rejestrację.

Ta strona została przetłumaczona z angielskiego i może zawierać błędy. Oryginał angielski