
-
生物通官微
陪你抓住生命科技
跳动的脉搏
结合多种脂质标志物的机器学习预测突发性心脏死亡:来自台湾金山社区队列的研究证据
《Lipids in Health and Disease》:Machine learning prediction of sudden cardiac death incorporating multiple lipid markers: evidence from the Taiwan Chin Shan community cohort
【字体: 大 中 小 】 时间:2026年05月31日 来源:Lipids in Health and Disease 4.2
编辑推荐:
摘要背景突发性心脏死亡(SCD)是心血管疾病死亡的主要原因之一,但在社区人群中实现可靠的长期风险预测仍然存在局限性。机器学习(ML)具有潜在的优势,然而其在SCD预测中的应用仍然相对有限,尤其是在社区人群中。方法我们使用了来自台湾Chin-Shan社区心血管队列(CCCC)的数据
突发性心脏死亡(SCD)是心血管疾病死亡的主要原因之一,但在社区人群中实现可靠的长期风险预测仍然存在局限性。机器学习(ML)具有潜在的优势,然而其在SCD预测中的应用仍然相对有限,尤其是在社区人群中。
我们使用了来自台湾Chin-Shan社区心血管队列(CCCC)的数据,该队列是一个前瞻性社区队列,招募了35岁及以上的成年人,来自14个村庄。参与者被地理上划分为训练/内部验证组和独立的外部验证组。在使用Boruta算法进行特征预选后,开发了六个机器学习模型(Light Gradient Boosting Machine、随机森林[RF]、逻辑回归、支持向量机、多层感知器和K-最近邻),并采用适当的技术解决了类别不平衡问题。模型性能通过判别和分类指标进行评估,包括曲线下面积(AUC)、阳性预测值和阴性预测值(NPV)。最佳模型通过Shapley加性解释法进行解释,并实现为一个基于网络的风险计算器。
共有3,172名参与者被纳入研究(中位年龄[IQR]:54.9 [45.8–64.0]岁;47.4%为男性),在平均15.9年的随访期间(IQR,13.1–16.9年)观察到了74例SCD事件。预先选出了10个非共线性预测因子,并开发并验证了六个机器学习模型。随机森林在内部(AUC:0.824)和外部验证(AUC:0.815)中表现出最高的判别能力,并且是唯一一个显著优于Framingham风险评分的模型。随机森林在内部和外部验证组中均显示出一致的高阴性预测值(>99%),并实现为一个基于网络的风险计算器。
我们开发并对外部验证了一个用于长期SCD风险预测的随机森林模型,其阴性预测值较高,这支持了其在社区环境中识别低风险个体的潜在效用,但还需进一步验证。该模型已实现为一个在线风险计算器,需要在更大和更多样化的人群中进行进一步验证。
突发性心脏死亡(SCD)是心血管疾病死亡的主要原因之一,但在社区人群中实现可靠的长期风险预测仍然存在局限性。机器学习(ML)具有潜在的优势,然而其在SCD预测中的应用仍然相对有限,尤其是在社区人群中。
我们使用了来自台湾Chin-Shan社区心血管队列(CCCC)的数据,该队列是一个前瞻性社区队列,招募了35岁及以上的成年人,来自14个村庄。参与者被地理上划分为训练/内部验证组和独立的外部验证组。在使用Boruta算法进行特征预选后,开发了六个机器学习模型(Light Gradient Boosting Machine、随机森林[RF]、逻辑回归、支持向量机、多层感知器和K-最近邻),并采用适当的技术解决了类别不平衡问题。模型性能通过判别和分类指标进行评估,包括曲线下面积(AUC)、阳性预测值和阴性预测值(NPV)。最佳模型通过Shapley加性解释法进行解释,并实现为一个基于网络的风险计算器。
共有3,172名参与者被纳入研究(中位年龄[IQR]:54.9 [45.8–64.0]岁;47.4%为男性),在平均15.9年的随访期间(IQR,13.1–16.9年)观察到了74例SCD事件。预先选出了10个非共线性预测因子,并开发了六个机器学习模型。随机森林在内部(AUC:0.824)和外部验证(AUC:0.815)中表现出最高的判别能力,并且是唯一一个显著优于Framingham风险评分的模型。随机森林在内部和外部验证组中均显示出一致的高阴性预测值(>99%),并实现为一个基于网络的风险计算器。
我们开发并对外部验证了一个用于长期SCD风险预测的随机森林模型,其阴性预测值较高,这支持了其在社区环境中识别低风险个体的潜在效用,但还需进一步验证。该模型已实现为一个在线风险计算器,需要在更大和更多样化的人群中进行进一步验证。