应用机器学习算法预测高血压患者不良心血管事件

Clinical Kidney Journal, Published: 03 July 2018

研究背景

在最近CKJ发表的一项研究中，美国马萨诸塞州波士顿布列根和妇女医院的Ronilda CLacson博士及其同事重新分析了收缩压干预试验（SPRINT）的数据，以确定收缩压（SBP）变异的特征，对这些特征使用非线性机器学习算法可预测不良心血管预后。

在他们的研究中，研究人员纳入了所有在第一年完成1年研究但未达到任何主要终点的患者，具体为：心肌梗死、其他急性冠脉综合征、卒中、心力衰竭或心血管事件死亡（n=8799；94%）。 除临床变量外，代表纵向SBP趋势和变异性的特征在随机森林算法中被确定和组合，使用交叉验证进行优化，使用训练集中70%的患者。 使用30%测试集测量曲线下面积（AUC）。

结果显示，共有365例患者（4.1%）在37个月的随访中达到了合并的主要结局。 随机森林分类器在测试集上的AUC为0.71。 自动算法按重要性顺序选择的10个最重要的特征包括：尿白蛋白/肌酐（Cr）比率，估计的肾小球滤过率，年龄，血清Cr，亚临床心血管疾病（CVD）史，胆固醇，使用小波变换后表示SBP信号的变量，高密度脂蛋白，第90百分位的SBP和甘油三酯水平。

研究者说

我们成功地演示了使用随机森林算法来定义最佳预后纵向SBP表现。 除了已知的CVD危险因素外，还发现时间序列SBP测量的转化变量对预测不良心血管预后有重要意义，但还需进行进一步评估。