.png){kind=icon}
返回
Web-based cardiovascular disease risk prediction using machine learning
.png){kind=icon}
OA
AI
DOI：10.3389/frai.2026.1690664.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
心血管疾病（CVD）仍然是全球疾病和死亡的首要原因；强调了对能够预测早期风险的有效工具的迫切需求，以支持预防性护理和及时的临床决策。随着医疗数据的日益复杂；机器学习在提取可增强医疗决策的见解方面显示出巨大潜力。然而；机器学习模型的有效性和清晰度在很大程度上取决于输入特征的相关性和质量。在本研究中；我们探索并比较了四种特征选择策略—Pearson相关系数 + 卡方检验、基于交替决策树（ADT）的评分、交叉验证特征评估（CVFE）和基于超图的特征评估（HFE）—以识别CVD风险的最具预测性的因素。我们的分析利用了由疾病预防控制中心（CDC）下属的国家卫生统计中心管理的国家健康与营养检查调查（NHANES）的数据；涵盖2021年8月至2023年8月期间在美国收集的人口统计、临床、实验室和调查数据。通过这些选择技术获得的特征集被用于开发随机森林（RF）、支持向量机（SVM）和eXtreme Gradient Boosting（XGBoost）模型；随后对这些模型进行了预测有效性的评估。为提高模型决策的清晰度和理解性；使用了SHapley Additive exPlanations（SHAP）来解释最佳表现模型中特征贡献。在评估的方法中；HFE方法与SVM结合达到了最高的总体准确率（82.84%）和AUC（0.9027）；优于经典和替代策略。最具影响力的预测因素包括年龄、总胆固醇、高血压史、使用降胆固醇药物、近期处方药物使用、终身吸烟史、家庭收入与贫困线比率、性别、教育程度和红细胞分布宽度。该网络应用程序；可通过https://shiny.tricities.wsu.edu/cvdr-prediction/访问；展示了由超图方法选择的特征集训练的模型生成的预测结果、概率评分和SHAP图。本研究强调了战略特征选择在优化预测准确性和可解释性方面的重要性；提供了一种实用的数据驱动方法，可能有助于临床医生评估心血管风险并定制预防性护理。
Keyword:
machine learning
SHAP
feature selection
web application
cardiovascular disease risk prediction
期刊
F
IF:
4.7
论文数:
2.5K
被引数:
4.4K
机构
引用论文
Enhancing cardiovascular disease risk prediction with machine learning models. arXiv :240117328利用机器学习模型提升心血管疾病风险预测。arXiv :240117328.png)
IF0
PREAI
分享收藏Artificial intelligence in the risk prediction models of cardiovascular disease and development of an independent validation screening tool: a systematic review心血管疾病风险预测模型中的人工智能和独立验证筛选工具的开发: 系统综述BMC MEDICINE
OAAI
BMC MEDICINEIF8.3
OAAI分享收藏Relative Prognostic Importance and Optimal Levels of Risk Factors for Mortality and Cardiovascular Outcomes in Type 1 Diabetes MellitusCIRCULATIONOAAI
CIRCULATIONIF38.6
OAAI分享收藏Prediction of cardiovascular disease risk based on major contributing featuresSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容