Hypertension: 机器学习模型精准预测青年高血压转

近日,阜外病院宋雷传授与北京航空航天大学周晟瀚传授团队在Hypertension杂志在线揭橥研究,应用新的机械进修算法,对青年高血压数据建模展望高血压相关终点事件并取得良俦的展望结果。

该研究证实了机械进修在岁首高血压预后精准分层中的应用价值,有望为临床决议供应新的对象。

该研究纳入508例因高血压住院、临床及随访资料完整的14~39岁高血压患者。

该人群经由中位数为33个月的随访期,共观测到包罗全因灭亡、心脑血管疾病、终末期肾病在内的复合终点事件42例。

研究者纳入58项基线数据及随访终点成立数据集,应用递归特征消弭和XGBoost机械进修算法创设由左心房内径、HDL-C、大内皮素、右臂舒张压、右下肢收缩压、左下肢收缩压、右下肢舒张压、左臂收缩压、平均夜间血氧饱和度、以往最大收缩压和尿素这11个变量构成的展望模型。

应用机械进修方式对年青年头高血压患者终点事件建模时,包含11个变量的机械进修猜测模型可获得最佳展望结果,个中夜间平均血氧饱和度、大内皮素和同步四肢血压测量值可能是新的年初高血压预后展望因子。

与传统方式比拟,机械进修方式展望年青年头高血压终点事件的模型校准度高,展望能力(区分度)与COX回来方式具有可比性,而且高于从新校准的FRS方式。


研究者示意,现有的心血管疾病预后模型首要是凭据中老年人群的研究确立,与年青年头患者的特征存在差别, 而高质量的岁首高血压研究资料极其缺乏,尚无针对年青年头高血压患者预后的风险展望模型。是以,年初高血压患者预后的精准分层一向是亟待解决的临床难题。

本研究首次竖立了猜测岁首高血压患者预后的机械进修模型,并经由与传统的统计学方式和经典的临床对象较量,证实了机械进修方式在心血管疾病风险展望中的价值,为进一步应用人工智能相关手艺指导心血管疾病的临床决议供应了研究偏向。

同时,本研究经由机械进修算法筛选新的猜测因子,为懂得年青年头高血压病理生理机制和挖掘治疗靶点供应了新的研究思路。


原始出处:
Wu X, Yuan X, Wang W, et al. Value of a Machine Learning Approach for Predicting Clinical Outcomes in Young Patients With Hypertension. Hypertension, 2020, published online.

上一篇:疫情中的内镜检查首选:胶囊内镜
下一篇:3.21 |世界唐氏综合征日:只因为一条染色体的差

网友回应