使用机器学习技术建立包括动脉僵硬度在内的新发心房颤动的精确风

这是一篇关于使用机器学习技术建立包括动脉僵硬度在内的新发心房颤动的精确风的思维导图，主要内容包括：补充材料，表不如图，字不如表，摘要，题目。

使用机器学习技术建立包括动脉僵硬度在内的新发心房颤动的精确风险预测模型

• 题目
  • Precise risk-prediction model including arterial stiffness for new-onset atrial fibrillation using machine learning techniques
• 摘要
  • 背景/目的
    • AF是最常见的有临床意义的心律失常，是缺血性脑血管事件的重要危险因素
    • 使用机器学习技术开发并验证了一种新的新发AF风险预测模型
  • 方法
    • 该模型结合了使用心电图诊断AF，来自广泛年龄范围参与者的数据，并考虑了高血压和心房僵硬度的测量
    • 本研究纳入了2005年至2015年至少连续四年进行健康体检的13 410名个体
    • 使用机器学习方法( eXtreme Gradient Boosting和Shapley Additive解释值)将数据录入风险预测模型
    • 将数据随机拆分为用于模型构建和开发的训练集( 80 % )和用于测试导出模型性能的测试集( 20 % )
    • 主要研究终点为第1年至第3年新发AF
    • 新发AF定义为在3年内至少有1次AF发作
    • 检索PubMed电子数据库，检索时限为建库至2023年3月，检索关于AF风险预测模型的英文文献
    • 使用了与AF相关的检索词和风险预测模型的组合
      • 搜索策略详见表S1
    • 目前的分析考虑了36个协变量，包括与病史、生活方式因素、人体测量和生化测量有关的协变量
    • 构建了两个模型，一个模型包含10个实验室检测变量，另一个模型不包含这些变量
      • 甘油三酯、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、尿酸、估算肾小球滤过率、谷草转氨酶、谷丙转氨酶、γ -谷氨酰转肽酶、尿蛋白、尿糖
  • 结果
    • 该模型在测试集中的受试者工作特征曲线下面积为0.789
    • 新发AF的最佳预测因素是年龄，其次是心踝血管指数、估算的肾小球滤过率、性别、体重指数、尿酸、γ -谷氨酰转肽酶水平、甘油三酯、心踝血管指数测量时的收缩压和谷丙转氨酶水平
      • 10个变量
  • 结论
    • 使用ML在一般人群中建立了未来新发AF的精确预测模型
    • 这种包含动脉僵硬度测量的新模型，通过使用机器学习方法从普通人群的数据中开发出来，可以用来识别有风险的个体，并可能有助于预防未来的AF发展
• 字不如表
  • Table 1
    • 参与者基线特征
      • 训练集验证集基线资料表
  • Table 2
    • 使用机器学习方法研究心房颤动预测的研究
      • 最近，已经开发了使用ML算法的新发AF的预测模型
      • 10项使用ML方法开发新发AF风险预测模型的不同研究(包括当前分析)的特点
• 表不如图
  • Figure 1
    • 患者选择流程图
  • Figure 2
    • 总体( A )和个体( B )特征贡献作为新发心房颤动的预测因子
      • A：x 轴是模型中SHAP的绝对平均值
      • B：显示了单个特征的贡献
        • 年龄较大、CAVI 较高和 eGFR 较低与新发房颤呈正相关
  • Figure 3
    • 测试集中的ROC曲线和混淆矩阵
  • Figure 4
    • 两名新发房颤受试者中每个特征贡献的 Shapley 加法解释值
      • 图中显示了心房颤动前10个预测因子的SHAP值，其他26个预测因子的SHAP值之和，以及基准值
• 补充材料
  • Table S1
    • 检索词用于确定报告心房颤动预测风险模型的研究
  • Table S2
    • 训练集阳性事件
      • 训练集的基线参与者特征，在有或无房颤的个体中
  • Table S3
    • 验证集阳性事件
      • 测试集基线时的参与者特征，在有或无心房颤动的个体中
  • Table S4
    • 描述了19项使用传统统计方法开发新发AF风险模型的研究
      • 使用传统方法研究预测心房颤动的研究
  • Figure S1
    • 五折分层交叉验证
  • Figure S2
    • 在未纳入10个实验室检测变量的模型中，年龄、体重指数和血压测量值是新发房颤最重要的预测因素
      • 基于排除实验室检测变量的模型，新发心房颤动的重要预测因素
  • Figure S3
    • 在没有实验室测试变量的模型中，测试集的AUC为0.781
      • 排除实验室测试变量的模型的测试集中的ROC曲线、AUC和混淆矩阵
  • Figure S4
    • 每个5折分层交叉验证的AUC
      • 训练集中每5倍的ROC曲线和AUC，包括所有实验室变量的模型（A）和排除实验室测试变量的模型（B）
  • Figure S5
    • 模型输出如何随坐位SBP的变化而变化。当特征值从106增加到147 mm Hg时，SHAP值有增加的趋势
    • 坐位 SBP 的 SHAP 依赖图和特征，测试集中坐位 SBP 组的 SHAP 值