SVN|复旦大学团队：开发基于机器学习的心血管疾病 10 年风险预测模型

以往的心血管疾病（CVD）预测算法主要基于临床经验知识，使用风险因素进行检索。来自复旦大学类脑智能科学与技术研究院冯建峰教授联合复旦大学附属华山医院神经内科郁金泰教授临床研究团队，开展了一项机器学习相关研究，旨在试图在一个全面的变量空间中识别预测因子，然后采用机器学习（ML）算法开发一种新型心血管疾病风险预测模型。相关结果近期发表在BMJ子刊SVN杂志上。

本研究从英国生物库的纵向人群队列中纳入了 473611 名无心血管疾病的参与者，他们的年龄在 37 岁至 73 岁之间。采用了基于ML的机器学习管道，从645个候选变量中识别出预测因子，这些变量涵盖了一系列健康相关因素，并评估了多个ML分类器，从而建立了一个10年心血管疾病发病风险预测模型。该模型通过 "留一"-"去中心 "交叉验证进行了验证。

结果显示，在12.2年的中位随访期间，31466名参与者在基线访问后的10年内患上了心血管疾病。建立的英国生物库心血管疾病风险预测（UKCRP）模型由10个预测因子组成，包括年龄、性别、胆固醇和血压用药、胆固醇比率（总/高密度脂蛋白）、收缩压、既往心绞痛或心脏病、用药次数、胱抑素C、胸痛和吸烟包年数。总的来说，该模型获得了令人满意的判别性能，其接收器操作特征曲线下面积（AUC）为 0.762±0.010，优于现有的多个临床模型，并且校准良好，布赖尔得分（Brier Score）为 0.057±0.006。此外，UKCRP 在心肌梗死（AUC 0.774±0.011）和缺血性中风（AUC 0.730±0.020）方面的性能相当，但在出血性中风（AUC 0.644±0.026）方面的性能较差。

综上，本研究基于 ML 的分类模型可以从潜在的心血管疾病高危人群中学习到表达性的表征，这些人群可能会受益于更早的临床决策。

原始出处：

Development of machine learning-based models to predict 10-year risk of cardiovascular disease: a prospective cohort study. Stroke Vasc Neurol. 2023 Apr 27:svn-2023-002332.