
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于常规体检数据的机器学习集成模型在心肌损伤风险评估中的应用研究
《Scientific Reports》:Machine learning-based ensemble model for the risk stratification of myocardial injury in physical examination data
【字体: 大 中 小 】 时间:2026年10月22日 来源:Scientific Reports 4.9
编辑推荐:
摘要心肌炎等炎症性疾病可由多种因素引起,严重损害心脏功能,并可能导致心力衰竭和死亡。心肌损伤被广泛认为是心肌炎进展过程中的早期且常见的病理表现。随着健康体检的普及,体检数据已成为早期发现疾病的重要资源。本研究旨在基于常规体检数据开发一种机器学习模型,用于评估心肌损伤风险。分别
心肌炎等炎症性疾病可由多种因素引起,严重损害心脏功能,并可能导致心力衰竭和死亡。心肌损伤被广泛认为是心肌炎进展过程中的早期且常见的病理表现。随着健康体检的普及,体检数据已成为早期发现疾病的重要资源。本研究旨在基于常规体检数据开发一种机器学习模型,用于评估心肌损伤风险。分别采用2024年和2025年招募的参与者进行模型开发和时序验证。根据缺失值情况对变量和样本进行选择,随后通过链式方程多重插补法进行缺失数据处理。采用爬山算法优化模型选择和参数调优,最终整合了五种机器学习模型:随机森林(RF)、支持向量机(SVM)、逻辑回归(LR)、分类与回归树(CART)分类器以及Light Gradient Boosting Machine(LGBM)分类器。使用准确率、精确率、召回率、F1分数、AUC、校准曲线和Brier分数评估模型性能。采用SHapley Additive exPlanation(SHAP)方法评估特征重要性。性能评估结果表明,经配对DeLong检验验证AUC及McNemar检验验证分类不一致性后,集成模型在心肌损伤风险预测方面相较各单个分类器显示出适度但具有统计学意义的提升。集成模型在测试集上取得了81.8%的AUC(提升0.2-2.0)、89.7%的准确率(提升0.2%-2.7%)、70.1%的召回率(提升2.9%-15.2%)和75.8%的F1分数(提高1.7%-8.2%),同时在时序验证队列中保持稳定的性能表现,AUC为0.812(95% CI: 0.768–0.856),准确率为88.8%(95% CI: 0.847–0.929)。消融实验证实每个基分类器均对集成框架提供了预测增益,且基于爬山算法的权重调整策略相较于固定等权重融合策略取得了最佳整体性能。本研究提出的集成模型为生化心肌损伤的风险分层提供了支持。通过该模型识别出的高风险个体可进行针对性的心肌炎相关检查,从而促进早期筛查和及时干预。最终预测模型已实现为Web应用程序,以提升其在临床环境中的实用性。