基于机器学习的COVID-19阳性患者心血管疾病共病分类的初步评估

《COVID》:Machine Learning Classification of Heart-Disease Status Among COVID-19-Positive Patients Using Clinical and Polygenic Risk Score Data

【字体: 大 中 小 】 时间:2026年10月10日 来源:COVID 0.9

编辑推荐:

   摘要

  

摘要

COVID-19阳性患者的临床特征具有异质性,机器学习方法可能有助于识别与已记录的心血管共病相关的模式。然而,类别不平衡、样本量小、预测变量异质性以及潜在的信息泄漏等问题可能限制预测模型的可靠性和泛化能力。方法:我们评估了逻辑回归(LR)、随机森林(RF)和极端梯度提升(XGBoost)在COVID-19阳性患者中用于分类已记录心脏病状态的表现。临床数据集最初包含572例患者记录,这些数据收集于耶内波雅医学院附属医院,数据清洗后保留了468例记录。该数据集包括人口学特征、RT-PCR循环阈值测量值、IgM/IgG血清学检测、症状、共病以及可获得的多基因风险评分信息。模型采用80:20分层训练-测试划分进行训练,并在训练集上执行五折分层交叉验证。类别不平衡问题通过为LR和RF设置平衡类别权重以及为XGBoost设置scale_pos_weight参数来处理。模型性能评估指标包括准确率、精确率、召回率、F1分数、ROC-AUC和PR-AUC。一项包含来自459名COVID-19阳性个体的804,522个SNV的独立GBRC基因组数据集未与临床队列关联,因此未纳入作为预测变量。结果:在独立测试集上,LR的准确率为83%,ROC-AUC为87%,PR-AUC为60%,正类召回率和F1分数分别为69%和53%。RF的准确率为90%,ROC-AUC为92%,PR-AUC为72%,但正类召回率仅为31%。XGBoost的准确率为89%,ROC-AUC为89%,PR-AUC为68%,正类召回率和F1分数分别为54%和58%。结果表明各模型在总体区分能力和少数类检测能力之间存在显著差异。结论:本研究提供了在一个相对较小的COVID-19阳性队列中使用有监督机器学习方法进行已记录心脏病状态分类的初步评估。阳性观测值数量有限、缺乏外部验证以及对预处理和预测变量定义可能存在的敏感性限制了对结果的解释。在评估临床适用性之前,需要更大规模的独立收集队列和抗信息泄漏验证。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号