探讨利用传统统计模型和机器学习方法，通过特罗姆瑟研究中的血流动力学数据来预测心血管疾病

《Scientific Reports》：Exploring hemodynamic measurements from the Troms? Study for prediction of cardiovascular disease using traditional statistical models and machine learning approaches

　　

摘要

在挪威，NORRISK2是政府推荐的用于预测个体10年内患心血管疾病概率的风险模型。本研究旨在探讨利用在Troms?6研究（2007–2008年）中通过冷压测试进行疼痛敏感性评估时所获得的无创逐次血压监测数据中的血流动力学指标，来改进心血管疾病预测的可行性。研究使用了6694组数据，将冷压测试期间获得的超短期脉率变异性和压力反射敏感性作为额外变量纳入现有的NORRISK2生存模型中（即扩展模型）。此外，这些时间序列数据还被用于一个不包含NORRISK2背景变量的机器学习模型中。这两种模型都与经过重新校准的原始NORRISK2模型进行了比较。随后，将重新校准后的NORRISK2模型和机器学习模型的预测结果通过逻辑回归法结合在一起。在测试集上，这些统计模型的表现相当，其接收者操作特征曲线下面积分别为0.8（95%置信区间：0.71–0.86）、0.79（0.71–0.85）和0.77（0.69–0.84），对应于原始模型、重新校准后的模型以及扩展模型。仅使用血流动力学指标的机器学习模型在测试集上的AUROC值为0.73（0.67–0.80）。将NORRISK2模型与机器学习模型结合并未提升AUROC值。而从Troms?6研究中获得的超短期脉率变异性和压力反射敏感性指标也未能改善NORRISK2模型的预测能力。尽管准确度较低，但冷压测试所得的逐次血流动力学时间序列数据仍具备显著的预测未来心血管疾病的能力（p＜0.01），且无需其他与个体相关的信息。