文摘
目前心血管风险评估方法使用健康因素通常执行基于弗雷明汉的研究。然而,这些方法有很大的局限性源于他们可怜的敏感性和特异性。相比我们有弗雷明汉的参数方程与线性回归分析建立模型的训练效果的本地数据库。支持向量机是用于确定机器学习方法的有效性与弗雷明汉的健康风险评估心血管疾病(CVD)的参数。结果表明,线性模型训练时使用本地数据库是一个改善弗雷明汉模型,基于支持向量机的风险评估模型预测心血管疾病有很高的敏感性和特异性。这表明使用健康参数确定使用弗雷明汉的研究中,机器学习方法克服了低弗雷明汉模型的敏感性和特异性。
1。介绍
心血管疾病(CVD)是全球死亡率的最大原因1]。全球估计有1750万人死亡于2005年由心血管疾病(2,3]。早期识别具有更高的心血管疾病风险的人有用的及时实施预防性策略防止心脏发作导致死亡或残疾3,4]。为此,心血管疾病的危险因素(4)如胆固醇、高血压和糖尿病已确定和各种风险评估模型和技术开发(5]。
常用的预测心血管疾病风险评估模型是弗雷明汉风险评分(1),雷诺兹风险评分(6],QRISK [7),潜在心血管明斯特心脏研究(PROCAM) [8),冠状风险评价系统(分数)系统(9),表明[10]。这些已经适应在初级保健简化图表,表、计算机程序和基于web的工具,通常被称为在策略文档和指南。
弗雷明汉风险评分的准确性优于任何单一危险因素。然而其预测能力改进余地,因为敏感性和特异性不是很高(11- - - - - -14]。已经观察到整个绝对冠状风险分配给个人在英国被显著高估了(11]。这强调了改进预测模型的必要性。
可以有很多的理由支撑低使用弗雷明汉时心血管疾病风险的预测方程。本研究研究了两个可能的原因为贫困方程的敏感性和特异性,不同人口统计,线性模型的假设。一个可怜的敏感性和特异性的原因可能是由于被研究人群的人口统计的差异与弗雷明汉人口(4)用于开发弗雷明汉方程。人口问题是展示了在2015年的一项研究中报道的大小不同的心血管风险因素的影响对病人高度依赖他们的种族15]。如果这是原因,它将要求方程的参数(模型)必须重新定义为不同的人口统计数据。重新定义参数永远是不可能的,因为造型需要大量的纵向数据,这可能不是可用外大医院中心。然而,识别组织差异的原因也会导致更好的理解和提供开发新数据库的原因。
表现不佳的另一个原因可归因于模型的类型。弗雷明汉方程广义线性方程和其他类似的技术。然而,多种因素之间的关系与健康相关的大量的人可能需要更复杂的形式和不适合线性近似。为了克服这个问题,模型的重建没有线性的约束是必需的。
这项工作已经测试了人口差异或模型类型是否弗雷明汉模型结果不佳的原因。这已经通过开发风险评估模型使用一个纵向人口数据库,比较具体的线性方程和机器学习方法。普遍接受的健康参数已经被弗雷明汉模型被用来描述和本研究的范围是比较机器学习技术,线性回归,直接使用弗雷明汉这些参数识别模型与疾病。线性方程被用来测试定制的影响通过使用系数获得使用本地数据库将改善结果。来确定弗雷明汉所使用的参数模型与不同的数据库,本研究测量所得的敏感性和特异性,使用支持向量机(SVM)。尽管市场普遍预计机器学习提供改进的结果,本研究测试中使用的影响参数的弗雷明汉模型相关的不同的数据库。
2。材料和方法
2.1。数据库
确保研究有足够的权力,一个大型纵向数据库是必需的。这种人口数据库提供匹配的自然数的病例和控制在现实世界中。纵向数据库确保人口人口和民族的底线。
在这项研究中,蓝山眼研究(bm) [16使用数据库。这个数据库创建从一个基于人群的队列研究记录的眼睛和其他健康状况在城市澳大利亚人口大于49岁。绝大多数的人口(~ 99%)是欧洲血统的。基线参与者()表示82.4%的人有资格在选定的邮政编码地区。人口组5年随访协议最后检查基线检查后进行了15年。这项研究的参与者提供书面知情同意之前,他们的参与和数据收集。
研究人口每隔5年随访和最新的随访检查15年基线进行检查。这项研究是通过西悉尼地区卫生服务人类研究伦理委员会。书面知情同意了之前所有的参与者记录数据。
5年期和10年期的后续数据被用于这项研究。数据库包括卫生和其他参数,发现了弗雷明汉的研究(1),包括性别、吸烟状况、胆固醇(高密度)相结合,收缩压和舒张压,身体质量指数,糖尿病和高血压。这些都是详细描述表1。
人心血管疾病发作前的基线检查或在随访期间死亡由于noncardiovascular病因学被排除在研究之外。研究了2770例的大小后上述除外。364后患者排除由于缺失的数据,剩下的2406人的数据库有1450名女性和956名男性。心血管疾病的病例分为两种:硬和软。事件“硬CVD”包括心肌梗塞、中风、心脏搭桥手术对冠状动脉疾病(CAD),从CAD或死亡。自我报告的心绞痛是归类为“软CVD”事件的结果。死亡率数据通过连杆与澳大利亚国家死亡指数(NDI)和nonexact匹配都是手动分析,拿只接受如果不匹配是一个不重要的特征。在这个集合中,有535(267名女性和268名男性)曾发生心血管疾病(软硬)事件在一段时间大于5年但少于10年,这是显示在表1。
2.2。数据管理
数据被随机分为两个子集对应于训练数据和测试数据使用Scikit [21]。训练数据由1896(大约80%)和510个样本的平衡(大约20%)总额的数据进行测试。因此,80%的数据被用于训练和20%的平衡测试目的,没有重叠。这个数据是可用的在线和按照隐私规定。
模式识别和风险预测技术应用于人口健康数据这些数据集是高度不平衡时可能会受到影响。为了克服这种不平衡,少数合成过采样技术(打)22)被用来提高少数类(CVD)数字400%人工生成的训练数据样本使用近邻方法(23]。
2.3。弗雷明汉风险方程
弗雷明汉模型提供了一个性别模型对各种心血管结果是评估心血管风险的基础和一些主要的公共卫生政策24]。我们用10年总体心血管风险预测弗雷明汉方程(天文)我们的分析(1)的回归系数和危险比率见表2。
方程的结果是心血管疾病的风险在接下来的10年。它被应用于数据中的每个主题测试数据库(数据管理中描述)和风险比例。这些预测与已知的心血管疾病发作的记录。解释风险比例与心血管疾病发作的信息获得,加权统计分析进行优化分类情况下使用训练数据和控制。
训练数据,这个阈值是22.3%,这是用于测试数据分离和控制。根据参数在天文,79岁以上的样品都“不是可分类的。”
2.4。逻辑回归分析(LRA)
上帝抵抗军发展一个线性方程最佳模式数据库与多个特性和两个结果。线性回归进行最大化两种结果之间的分离。考虑到有数据库中的样本属于两类,也有特性(预测)。两类,(我)心血管疾病和(2)no-CVD,逻辑回归使用概率函数被用来确定预测因子之间的关系。这是基于条件概率和下面的方程描述: 在这个方程,基于预测心血管疾病的概率向量通过考虑每个预测,,的回归系数的相关性预测或预测的贡献结果类。上帝抵抗军的训练来获得每个特性的参数使用训练部分和测试使用的测试部分数据(数据管理中描述)。默认值用于分类。预测是在测试数据上执行(对象)并与心血管疾病发作的先验知识。弗雷明汉方程的弱点与79岁的限制和预定义的系数被上帝抵抗军克服。
2.5。支持向量机(SVM)
SVM是一组相关的监督学习方法用于预测和回归分析与应用等领域的临床和人口基础数据(25)、文本分类、生物信息学、手写识别和图像分析。这些必须被训练使用的例子,不需要用户定义各种因素之间的关系。他们适合适当的情况下,代表所有不同类别的例子(类)是可用的。支持向量机的优势,这些不需要输入之间的线性关系或独立特性,因此更适用于临床数据分类。
作为第一步,使用训练SVM训练子集(参考数据管理)作为SVM的输入和目标输出是已知的心血管疾病的历史事件(如前面定义)在5到10年时间为零。支持向量机的参数,内核,,被确定使用网格搜索方法报道Bergstra和Bengio26]。这种方法(26)详尽的产生可能的值从一个网格指定的以下两个参数值:(我)首先用线性内核和值,(2)第二个RBF内核和交叉的产物值不等和伽马值。
所有可能的组合参数值被安装在与一个输出数据集和评估分数。基于分数以下参数值被用于这项研究:(我)径向基函数(RBF)的内核,(2) ,(3) 。
这个SVM模型被用来评定参数的关联性基于在培训期间获得的权重(表3)[20.]。训练支持向量机的测试使用的子样品测试数据集(510个样本)。这一策略确保了测试数据是独立于训练数据。诊断优势比计算(17)比较其性能与弗雷明汉模型和逻辑回归分析。
3所示。结果
表3显示的相关性特性获得排名的逻辑回归系数获得bme数据集,而表4报告这些特性的排名基于支持向量机的重量。比较的结果表2- - - - - -5,观察到最高的三个相关因素(功能)是相同的三种方法(1]:年龄、BMI和当前吸烟者。
混淆矩阵显示标签错误的程度由预测算法执行的。表5- - - - - -7显示天文的混淆矩阵,上帝抵抗军,和支持向量机。每一行代表一个预测类的实例,而每一列表示一个实际的类的实例。从这些结果,它是使用天文观察到正确的预测是40,使用上帝抵抗军是50,使用支持向量机从71年的104例心血管疾病患者。
混淆矩阵也表明,假阳性的数量进行预测时使用弗雷明汉是108,使用SVM是57,使用上帝抵抗军是68。研究结果还表明,病例数,被错误地识别被天文控制37岁,54上帝抵抗军,由SVM 33。然而,尽管SVM和上帝抵抗军机密的所有测试样本(104例病例和406例对照),有27例和46个控件被天文不可归类的,因为这些人的年龄超过79年。这是天文的主要限制,特别是当我们有人口老龄化人口显著超过79年。
从支持向量机分析获得的敏感性和特异性,逻辑回归,天文如表所示8。这个表还列出了范围数据的95%可信区间(CI)。从天文获得灵敏度为0.52(95%置信区间CI: 0.4096 - 0.6275),从圣主抵抗军是0.48(95%置信区间CI: 0.3817 - 0.5809),和支持向量机为0.682(95%置信区间CI: 0.589 - 0.764)。这表明天文的敏感性和物流分析可比,而支持向量机是更好的,因此提供了更好的风险评估。这也证实了ROC分析曲线如图1也观察到的ROC曲线下面积(AUC)对应于支持向量机覆盖率最高(表8)。
从表8,观察特异性的SVM分类器(0.859)最高与天文相比(0.70)和上帝抵抗军(0.832)。也观察到的诊断优势比明显高于SVM(13.17)相比,天文上帝抵抗军(2.52)和(4.602),表明支持向量机更有效的诊断测试。AUC试验表明,支持向量机的结果大大提高(0.71)与弗雷明汉(0.57)或上帝抵抗军(0.63)。
敏感性和特异性之间的统计显著性检验的预测是由比较SVM的AUC ROC曲线的测量,上帝抵抗军,天文18,19]。当比较SVM技术与上帝抵抗军和天文,SVM和天文之间有显著差异()和上帝抵抗军()。
4所示。讨论
这些发现表明有大量不可归类的情况和控制当使用弗雷明汉方程(天文)方程由于年龄的限制在这个数据库,27例对应~没有可分类的所有病例的26%。这是一个主要的弱点,因为与我们老龄化社会大量的人口年龄超过79岁。结果表明,只有40正确总104病例。上帝抵抗军机密的所有样品和50 104例确认正确和SVM识别正确71例。这表明尽管LRA克服的一些限制,这是不够的,标签的结果缺乏敏感性和特异性。
结果还表明,有大量的假阳性的天文和108 406,或大约27%的控制被分类错误的情况。这个数字减少到68(~ 17%)当使用圣主抵抗军和57(~ 14%)时,使用支持向量机。天文的诊断优势比为2.52,上帝抵抗军是3.05,支持向量机是13.17。支持向量机给最高的正确预测,最低假阳性、假阴性和分类所有的样品。
本研究表明,机器学习方法给了AUC显著更好。研究还表明,健康相关参数确定使用弗雷明汉模型等其他人群在澳大利亚蓝山,但早些时候的弱点模型克服使用机器学习方法,应该注意的是,在这项研究支持向量机的机器学习分类器和被选中作为一个例子来演示使用基于机器学习的健康参数分类的有效性。
5。结论
这个研究比较了线性模型和支持向量机分类方法所使用的健康特性弗雷明汉方程。以确保没有偏见,由于不同的数据库,一个数据库上的所有分析,bm,这是一个人口基础数据库,把质量,持续时间,和大小14]。
上帝抵抗军和天文都是基于线性假设。然而天文参数确定历史上使用弗雷明汉数据库LRA训练时在本地数据库分类所有科目不分年龄。这可以解释为什么上帝抵抗军改善了真阳性预测心血管疾病(50与40)相比,但也有增加假阴性(54而天文37)。总的来说,SVM明显表现的更好。这可能归因于不受限的线性支持向量机允许非线性分离和控制类。它也可能是基于本地数据库。总之,我们建议使用一个支持向量机与本地数据库可以提供改进的风险评估。然而,这需要更多的测试数据库和使用更多的健康参数。同样重要的是要注意,这个工作只有使用的健康参数被确定在弗雷明汉的研究中。然而,现在,有很多需要考虑的其他相关参数。 Thus, it is essential that new databases with all the health parameters be developed and classified using SVM.
支持向量机和其他类似的机器学习方法是非常有用的在提供的灵活性缺乏线性模型。然而,这种方法的缺点是一种黑箱方法,至关重要的是,训练数据应该平衡和代表完整的数据库。也有数据点可能出现的困难离群值。这通常是很难控制和错误的训练会导致不正确的结果。因此,它是必不可少的测试结果要监视的专家。同样重要的是为软件自动识别异常值将触发监督评估。
相互竞争的利益
作者宣称没有利益冲突有关的出版。
作者的贡献
所有作者的贡献同样这项工作。
确认
作者承认和欣赏提供的支持和建议杰晋王教授和博士乔治Burlutsky,悉尼大学,在这项研究中。