Entegre makine öğrenmesi modelleriyle geliştirilmiş kardiyovasküler hastalık risk öngörüsü
UK Biobank kohortundan bir çalışma
Framingham ve SCORE gibi klasik risk skorları, sınırlı değişken kümesi nedeniyle bazen yetersiz kalmaktadır. Bu çalışmada, UK Biobank'tan (240.644 katılımcı) genetik skorları, klinik parametreleri ve yaşam tarzı faktörlerini birleştiren kapsamlı bir kardiyovasküler risk modeli geliştirmek için makine öğrenmesi kullanılmış; genel kardiyovasküler risk, serebrovasküler ve trombotik hastalık için ayrı modeller oluşturulmuştur. Entegre model (klinik + yaşam tarzı + genetik) 0,85 AUC ile en iyi performansı göstermiştir; bu, Framingham skoruna göre 0,12'lik bir iyileşmedir. Yalnızca klinik, yaşam tarzı veya genetik verilere dayanan modeller daha kötü performans göstermiştir. Temel öngörücüler yaş, sistolik kan basıncı, sistatin C ve bel çevresiydi. Klinik, yaşam tarzı ve genetik verilerin birleştirilmesi böylece kardiyovasküler risk öngörüsünü önemli ölçüde iyileştirmektedir; ancak farklı popülasyonlarda doğrulama hâlâ gereklidir.
Özet
Amaç
Kardiyovasküler hastalıklar (KVH) dünya genelinde mortalitenin önde gelen nedeni olmayı sürdürmekte; önleme ve yönetim stratejilerini iyileştirmek için erken risk belirlemeyi gerektirmektedir. Framingham Kardiyovasküler Risk Skoru ve Sistematik Koroner Risk Değerlendirmesi gibi geleneksel risk öngörü modelleri, klasik istatistiksel yöntemlere ve sınırlı değişken kapsamına dayanmaları nedeniyle çoğu zaman yetersiz kalmaktadır.
Gereç ve yöntemler
Bu çalışma, UK Biobank kohortundan elde edilen verileri kullanarak kapsamlı bir KVH risk öngörü modeli geliştirmek ve doğrulamak için makine öğrenmesi (MÖ) tekniklerinden yararlanmıştır. Yaklaşımımız, genel KVH, serebrovasküler hastalıklar, trombotik hastalıklar ve diğer kardiyovasküler durumlar için ayrı modeller oluşturmak üzere genetik skorları, klinik parametreleri ve yaşam tarzı faktörlerini bir araya getirmiştir. Sağlamlığı güvence altına almak için titiz çapraz doğrulama prosedürleriyle Ridge Regresyonu, Lojistik Regresyon, Destek Vektör Makineleri, Random Forest, XGBoost, Çok Katmanlı Algılayıcı ve Stacking dahil çeşitli MÖ algoritmaları kullandık.
Bulgular
Başlangıçtaki 502 407 kişilik kohorttan 240 644 katılımcı nihai analize dahil edilmiştir. Klinik, yaşam tarzı ve genetik verileri birleştiren entegre model, 0,85 eğri altı alan (AUC) ile en yüksek öngörü performansına ulaşmıştır. Yalnızca klinik verilere, yaşam tarzı verilerine ve poligenik risk skorlarına dayanan modeller daha düşük öngörü gücü göstermiştir. Tabakalı analiz, KVH alt tiplerinde değişken performans ortaya koymuş; diğer kardiyovasküler hastalıklar için en yüksek AUC 0,83 olmuştur. Temel öngörücüler arasında yaş, sistolik kan basıncı, sistatin C düzeyleri ve bel çevresi yer almıştır.
Sonuç
Klinik, yaşam tarzı ve genetik verilerin entegrasyonu, KVH riski için MÖ modellerinin öngörü doğruluğunu önemli ölçüde artırmaktadır. Modelimiz, Framingham Kardiyovasküler Risk Skoruna göre AUC'de 0,12'lik bir iyileşmeyle sağlam bir performans göstermekte; erken risk belirleme ve kişiselleştirilmiş müdahale stratejileri için klinik ortamlardaki potansiyel faydasını vurgulamaktadır. Gelecekteki araştırmalar, ek öngörücüler ekleyerek modeli iyileştirmeye ve farklı popülasyonlarda uygulanabilirliğini doğrulamaya odaklanmalıdır.
Bize katılın
Küresel Birinci Basamak Kardiyovasküler Ağına katılın. Üyelik ücretsizdir.
Bize kendinizden biraz daha söz etmek ister misiniz?
İlgi alanları
Kaydınızı onaylamanız için size bir bağlantı içeren e-posta göndereceğiz.




