作为全球死亡的主要原因，心血管疾病（CVD）每年造成超过1730万人死亡，估计到2030年发病率将增加到2360万人。以前的CVD预测算法是利用主要基于临床经验知识检索的风险因素建立的。本研究试图在一个全面的变量空间中确定预测因素，然后采用机器学习（ML）算法来开发一个新的心血管疾病风险预测模型。

本研究从英国生物库的纵向人口队列中，纳入了473611名年龄在37至73岁之间的无心血管疾病参与者。研究人员采用一个基于ML的数据驱动管道，从涵盖全面的健康相关因素的645个候选变量中确定预测因素，并评估了多个ML分类器，以建立一个关于10年发生心血管疾病的风险预测模型。该模型通过离开一个中心的交叉验证得到了验证。

结果在12.2年的中位随访期间，31466名参与者在基线访问后的10年内发生了CVD。建立了一个新的英国生物库心血管疾病风险预测（UKCRP）模型，该模型由10个预测因素组成，包括年龄、性别、胆固醇和血压的药物治疗、胆固醇比率（总/高密度脂蛋白）、收缩压、以前的心绞痛或心脏病、服用药物的数量、胱抑素C、胸痛和吸烟包年数。本研究的模型获得了满意的鉴别性能，接收者操作特征曲线下面积（AUC）为0.762±0.010，超过了现有的多个临床模型，而且它的校准效果很好，Brier评分为0.057±0.006。此外，UKCRP对心肌梗死（AUC 0.774±0.011）和缺血性卒中（AUC 0.730±0.020）可以获得相当的性能，但对出血性卒中（AUC 0.644±0.026）性能较差。

综上，基于ML的分类模型可以从潜在的高危CVD参与者中学习表达性的表征，这些参与者可能从早期的临床决策中受益。

 

参考文献：

Development of machine learning-based models to predict 10-year risk of cardiovascular disease: a prospective cohort study. Stroke and Vascular Neurology 2023;svn-2023-002332. doi: 10.1136/svn-2023-002332