基于超声心动图和机器学习的高血压及相关疾病风险预测模型研究
王松1
徐勇1
万沐君2
宋志澄3
刘娜4
1.100853 北京市,中国人民解放军总医院研究生院(解放军医学院);中国人民解放军总医院第六医学中心心血管病学部2.中国人民解放军总医院第二医学中心综合外科3.中国人民解放军总医院第二医学中心保健七科4.北京市卫戍区丰台第四离职干部休养所
摘要：目的 探讨基于机器学习构建涵盖超声心动图参数的高血压患者并发症风险预测模型及其验证.方法 采用横断面研究方法,收集2021年1月至2024年3月收治高血压患者415例的临床资料,通过分层随机抽样法将研究对象按照3∶1的比例分成训练集(n=311)和验证集(n=104),训练集311例患者按照是否发生并发症分为非并发症组(n=239)和并发症组(n=72).训练集的数据采用Lasso回归方法筛选高血压患者并发症的危险因素,在训练集中应用机器学习算法构建逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)、极限梯度上升(Xgboost)、朴素贝叶斯(NB)和轻型梯度提升机(lightGBM)共6种预测模型.采用训练集和验证集对模型验证,使用受试者工作特征(ROC)曲线下面积(AUC)、校准曲线评估模型的区分度和准确度,决策曲线评估模型的临床实用价值,并选出最优模型.结果 训练集中,与非并发症组相比,并发症组患者年龄、BMI较大,有糖尿病史、血压控制不达标的比例较高,周运动次数较少,高血压病程较长,SBP、LDL-C、TG、TC较高,HDL-C较低,LVEDd、IVST、LVPWT较厚,二尖瓣前向血流频谱E峰和二尖瓣前向血流频谱A峰较高,LVEF较低,差异均有统计学意义(P＜0.05).通过Lasso回归模型降维分析,从17个变量中筛选出15个核心预测指标用于高血压患者并发症预测模型的构建,成功构建了 LR、SVM、RF、Xgboost、NB和lightGBM 6种机器学习模型.ROC曲线结果显示,Xgboost构建模型的区分度最高;校准曲线表明,Xgboost构建模型的准确度最高;决策曲线表明,Xgboost构建模型表现出更大的临床实用性.结论 高血压患者存在较高的并发症发生风险,病程≥5年、LVEDd增大、有糖尿病史、IVST增厚、高SBP、LVPWT增厚、高龄、高BMI、TC升高、血压控制不达标、TG升高、LDL-C升高、HDL-C降低、二尖瓣前向血流频谱E峰增高、LVEF降低是高血压患者发生并发症的危险因素.Xgboost模型预测整体并发症发生风险的效能最强.
关键词：高血压并发症超声心动图机器学习风险预测模型
分类号：R544.1(心脏、血管（循环系）疾病)
论文发表日期：2025-04-26
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 560-567 )
英文信息