结合生存分析与深度学习方法从国家行政管理数据库预测心血管风险
机器学习
2020-12-01 v1 机器学习
摘要
目的。本研究比较了生存分析模型的深度学习扩展与传统 Cox 比例风险（CPH）模型在国家级健康行政数据集中推导心血管疾病（CVD）风险预测方程的性能。方法。通过多个行政数据集的个体人员关联，我们构建了2012年期间使用公共资助医疗服务的所有30-74岁新西兰居民的队列，并确定了五年随访期内因 CVD 住院和死亡的情况。在排除既往有 CVD 或心力衰竭的人群后，开发了性别特异的深度学习模型和 CPH 模型，用于估计五年内发生致死或非致死 CVD 事件的风险。在整个研究人群和特定风险组中比较了模型之间的事件时间发生解释比例、校准和区分度。结果。2,164,872 人中有 61,927 人发生首次 CVD 事件。在诊断和手术中，最大的“局部”风险比由深度学习模型关联为女性的烟草使用（2.04，95%CI：1.99-2.10）和男性的慢性阻塞性肺疾病伴急性下呼吸道感染（1.56，95%CI：1.50-1.62）。其他已识别的预测因子（如高血压、胸痛、糖尿病）与当前关于 CVD 风险预测因子的知识一致。基于事件时间发生解释比例（Royston 和 Sauerbrei 的 R 平方：女性 0.468 vs. 0.425，男性 0.383 vs. 0.348）、校准和区分度（所有 p<0.0001），深度学习模型显著优于 CPH 模型。解释。生存分析模型的深度学习扩展可应用于大型健康行政数据库，以推导比传统 CPH 模型更准确且可解释的心血管疾病风险预测方程。
引用
@article{arxiv.2011.14032,
title = {Predicting cardiovascular risk from national administrative databases using a combined survival analysis and deep learning approach},
author = {Sebastiano Barbieri and Suneela Mehta and Billy Wu and Chrianna Bharat and Katrina Poppe and Louisa Jorm and Rod Jackson},
journal= {arXiv preprint arXiv:2011.14032},
year = {2020}
}