全因、心血管及卒中死亡率状态分类器的模型评估与校准验证
《Scientific Reports》:Machine learning models for classifying all-cause mortality and deaths from cardiovascular disease and stroke
【字体:
大
中
小
】
时间:2026年10月21日
来源:Scientific Reports 4.9
编辑推荐:
全因、心血管和卒中死亡率是重大的公共卫生负担,但死亡率状态分类器需要严格的验证和审慎的校准解读。我们分析了4,137名样本参与者及其关联的二元死亡率标签:1,473例全因死亡,其中821例为心血管死亡,223例为卒中死亡。采用5折外层与3折内层嵌套分层交叉验证,评估了单任务弹
全因、心血管和卒中死亡率是重大的公共卫生负担,但死亡率状态分类器需要严格的验证和审慎的校准解读。我们分析了4,137名样本参与者及其关联的二元死亡率标签:1,473例全因死亡,其中821例为心血管死亡,223例为卒中死亡。采用5折外层与3折内层嵌套分层交叉验证,评估了单任务弹性网络、随机森林、XGBoost和支持向量机模型,以及一个探索性的联合多项弹性网络模型。缺失值插补、编码、归一化和类别上采样均仅限于训练折内执行,性能计算基于汇总的折外预测结果。对于全因死亡率,弹性网络与支持向量机在四舍五入后达到了相似的AUROC值(0.925),而弹性网络获得了最高的AUPRC(0.886)。弹性网络在心血管死亡率任务中表现最佳(AUROC 0.873;AUPRC 0.550)。在卒中死亡率任务中,支持向量机同时获得了最高的AUROC(0.837)和AUPRC(0.189)。联合模型未改善判别能力,且在心血管死亡率任务上表现逊于单任务弹性网络。校准曲线与统计量显示与理想校准存在明显偏差;因此,经类别再平衡处理后的概率不应被解释为已验证的绝对风险估计。SHAP蜂群图和依赖图确定年龄与乳酸脱氢酶为突出的非线性模型归因特征。这些模型提供了经内部验证的死亡率状态分类,但用于临床风险预测仍需纳入结局日期、折内再校准以及外部验证。
生物通微信公众号
生物通新浪微博
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