
-
生物通官微
陪你抓住生命科技
跳动的脉搏
比较机器学习突显了校准在基于脂质的缺血性心脏病分类中的价值
《Scientific Reports》:Comparative machine learning highlights the value of calibration in lipid-based ischemic heart disease classification
【字体: 大 中 小 】 时间:2026年08月28日 来源:Scientific Reports 4.9
编辑推荐:
摘要缺血性心脏病(IHD)是巴基斯坦心血管死亡的主要原因,但可用于早期生化风险分层的可用工具仍然有限。这项病例对照研究比较了五种监督分类器(逻辑回归、决策树、支持向量机(RBF)、XGBoost、LightGBM)用于 IHD 分类,使用常规脂质、人体测量和临床变量,在分层的
缺血性心脏病(IHD)是巴基斯坦心血管死亡的主要原因,但可用于早期生化风险分层的可用工具仍然有限。这项病例对照研究比较了五种监督分类器(逻辑回归、决策树、支持向量机(RBF)、XGBoost、LightGBM)用于 IHD 分类,使用常规脂质、人体测量和临床变量,在分层的 70% 数据集上进行训练,并在独立的 20% 测试集和 10% 验证集分区上进行评估。XGBoost 和 LightGBM 在各个分区中显示出最一致的区分能力:在测试集上,XGBoost 达到准确率 0.94 和 ROC AUC 0.99,而 LightGBM 达到最高准确率(0.97)和召回率(0.97);在验证集上,XGBoost 达到精确率 1.00 和 ROC AUC 0.99。SVM (RBF) 显示出同样较强的区分能力(测试准确率 0.91,ROC AUC 0.97)。可分离性分析显示,仅 BMI 在验证集上就达到 AUC 0.96;添加所有特征仅适度改善了区分能力(ΔAUC≤0.04),但大幅改善了校准(综合校准指数从 0.32 降至 0.02–0.03),表明高性能主要反映了病例对照中 BMI 和 LDL-C 的对比,而不是潜在的多变量结构。鉴于病例对照招募设计,这些指标可能高估了真实世界的筛查表现,在临床应用前需要前瞻性、基于人群的验证。SHAP 分析确定 BMI、LDL、VLDL、高血压和 HDL 是最具影响力的特征。这些发现支持以脂质为中心的机器学习框架在资源有限的临床环境中用于早期 IHD 风险分层的潜力,前提是需要进行上述验证。