一种基于人工智能技术推导低密度脂蛋白胆固醇浓度的新方法

摘要：

目的:评估一种基于人工智能技术推导低密度脂蛋白胆固醇(LDL-C)浓度的新方法.方法:收集云南省阜外心血管病医院2017年9月至2021年11月血脂测定数据共118449例样本,整理血脂数据获取特征,构建一种基于人工智能技术推导LDL-C浓度的极限树回归(ETR)模型(LDL-ETR模型).用LDL-ETR模型的预测值和LDL-C实测值同计算LDL-C浓度的常用公式[Martin/Hopkins公式(LDL-M公式)、Sampson公式(LDL-S公式)、Friedewald公式(LDL-F公式)]进行比较分析.结果:LDL-ETR模型预测值与实测值拟合优度为0.9940,不确定度为12.2109,相关系数为0.9970.当甘油三酯(TG)在0.89～885.11 mg/dl的全浓度范围内,LDL-ETR模型预测值与实测值之间差值为(-0.00±3.50)mg/dl,优于LDL-M公式[(-5.41±7.43)mg/dl]、LDL-S公式[(-6.80±10.91)mg/dl]和LDL-F公式[(-10.06±13.90)mg/dl],P均<0.001;TG对LDL-ETR模型基本无干扰.在测试集总体21398例样本中,LDL-ETR模型中有20101例样本(93.94％)与实测值一致,一致性较好.LDL-ETR模型预测值的逻辑错误率较低,为0.04％,仅次于LDL-M公式的0.02％(P=0.17).通过学习曲线证明,LDL-ETR模型预测结果适用于相同检验系统的其它样本.结论:这种基于人工智能技术以血脂数据集构建的LDL-ETR模型可较准确地预测LDL-C浓度,相比常用公式,该模型在高或低TG下的预测结果均较好.

关键词：人工智能、机器学习、极限树、低密度脂蛋白胆固醇、血脂异常

所属期刊栏目：38

分类号：R54(心脏、血管（循环系）疾病)

在线出版日期：2023-02-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：53-60