10.3969/j.issn.1006-1959.2024.01.005
基于机器学习的血脂新特征构建及其在冠状动脉粥样硬化中的应用
目的 运用机器学习模型分析血脂谱,构建血脂新特征,找到可以整合血脂谱的方法.方法 筛选我院2021年6月-2022年6月收治的冠状动脉粥样硬化患者68例,收集患者血脂谱中载脂蛋白B(ApoB)、非高密度脂蛋白胆固醇(N-HDL-C)、低密度脂蛋白胆固醇(LDL-C)、高密度脂蛋白胆固醇(HDL-C)、总胆固醇(TC)、甘油三酯(TG)、脂蛋白(a)Lp(a)数据,查看患者冠脉造影结果,采用改良的Gensini积分计算患者Gensini积分.根据血脂谱中各成分的关系,构建可解释的新特征-胆固醇指数.将患者随机分为训练集、测试集(3∶1),运用随机森林模型,通过观察曲线下面积(AUC)、f1值、精准度、召回率、准确率来验证构建的胆固醇指数对严重冠状动脉粥样硬化的预测价值.结果 共收集68例冠状动脉粥样硬化患者,其中男48例,女20例,平均年龄(57.96±11.33)岁.训练集和测试集的年龄、TC、ApoB、N-HDL-C、LDL-C、HDL-C、TG、Lp(a)及胆固醇指数比较,差异无统计学意义(P>0.05).采用原始血脂谱,应用随机森林模型预测严重冠状动脉粥样硬化的AUC为0.64(95%CI:0.41~0.80).纳入构建的新特征胆固醇指数=√ApoB×(LDL-C+0.1 ×(N-HDL-C-LDL-C))/HDL-C可很大程度的提高随机森林模型的预测效果,其AUC为0.84(95%CI:0.57~0.93),且其f1值、精准度、召回率、准确率都有不同程度的提升,分别为0.83、1.00、0.71、0.88.结论 胆固醇指数可有效的整合胆固醇数据,提升随机森林模型对严重冠状动脉粥样硬化的预测效果.
机器学习、随机森林模型、血脂、冠状动脉粥样硬化
37
R541.4(心脏、血管(循环系)疾病)
2024-01-19(万方平台首次上网日期,不代表论文的发表时间)
共6页
29-34