冠心病危险因素分析及机器学习算法构建预测模型研究
王成龙1
何新叶2
李燕奇3
王舒3
东黎光4
王淑玉3
张红叶3
张宇清5
周宪梁5
刘力生3
胡爱华6
1.100045 北京,儿童慢病管理中心,首都医科大学附属北京儿童医院,国家儿童医学中心2.100037 北京,中国医学科学院阜外医院,国家心血管病中心;100039 北京,北京高血压联盟研究所3.100039 北京,北京高血压联盟研究所4.100144 北京,健康管理中心,北京大学首钢医院5.100037 北京,中国医学科学院阜外医院,国家心血管病中心6.100045 北京,儿童慢病管理中心,首都医科大学附属北京儿童医院,国家儿童医学中心;100039 北京,北京高血压联盟研究所
摘要：目的 比较不同机器学习算法构建疾病预测模型,探讨冠状动脉粥样硬化性心脏病(coronary artery disease,冠心病,CAD)的危险因素的重要性.方法 选取2014年5月至7月于北京大学首钢医院就诊体检的人群作为受试者,包括冠心病患者345例,非冠心病对照组2368例,收集受试者的一般情况和体检数据,进行卡方检验分析,之后采用logistics回归(LR)、随机森林(RF)两种机器学习算法构建疾病预测模型,并进一步通过网格交叉验证法优化超参数,提升模型整体性能.结果 冠心病组的年龄、体质指数(BMI)、收缩压(SBP)和舒张压(DBP)、脉搏波传导速度(PWV)、血清肌酐(Scr)、随机血糖(FPG)等指标水平,P均＜0.01显著高于对照组;且冠心病组的糖尿病,高血压和高血脂的患病时长(P＜0.01)、颈动脉超声、疲乏频率等情况较对照组更严重,低密度脂蛋白胆固醇(LDL-C,P＜0.01)、高密度脂蛋白胆固醇(HDL-C,P＜0.01)以及每日睡眠时长(P＜0.01)显著低于对照组,上述各项指标的差异均具有统计学意义.应用LR和RF两种机器学习算法构建CAD风险预测模型,在未进行超参数调优前,AUC值和特异度较高,但灵敏度极低;调优后AUC值和特异度变化较小,灵敏度提升较大,极大地提升了模型临床应用价值.在两种机器学习算法构建的冠心病预测模型中,重要度排名均为前十的危险因素为:年龄、疲乏频率、Scr和PWV、动脉超声和高血脂患病时长.结论 年龄、疲乏频率、Scr和PWV、动脉超声阳性和高血脂患病时长等五项危险因素对冠心病预测模型的构建影响较大.类别不平衡的疾病数据集可通过超参数调优的机器学习算法构建临床预测模型.
关键词：冠心病危险因素超参数调优预测模型
分类号：R543.5(心脏、血管（循环系）疾病)
论文发表日期：2023-12-28
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：4( 1334-1337 )
英文信息