目的 筛选原发性高血压心血管风险的中西医预后危险因素,构建基于血管功能、中医证候的原发性高血压预后的最优预测模型.方法 以前期建立的高血压队列人群中原发性高血压患者为研究对象,采集人口社会学资料、病情病史特征、实验室指标、血管功能及心功能检查指标、中医证候等相关基线指标,随访心血管风险的发生情况.使用比例风险模型单因素、多因素分析及共线性诊断初步确定高血压心血管风险的中西医预后模型的纳入变量.筛选的病例按7:3的比例随机划分为训练集和测试集,基于训练集使用随机森林算法建立原发性高血压的预后预测模型,利用测试集评价预后模型的预测效能,分别使用决策树、随机森林、支持向量机和人工神经网络算法建立原发性高血压的预后预测模型,以测试集评估并对比4种预后预测模型的预测效能,评估并建立具有较好预测能力的模型.结果 纳入985例病例中有284例出现心血管风险.COX回归单因素、多因素分析及共线性诊断确定18个变量纳入预后模型变量.变量包括:一般资料〔病程、性别、早发心血管病家族史、体重指数(BMI)、饮食习惯〕、实验室指标〔糖代谢异常、脂代谢异常、血同型半胱氨酸(Hcy)〕、血管功能指标〔平均踝臂压指数(ABI)、平均动脉压、颈股脉搏波传导速度(cfPWV)、血流介导的血管舒张功能(FMD)〕、中医证候(头晕、头痛、气虚血瘀证、阴虚阳亢证、肝肾阴虚证、阴阳两虚证).基于这18个建模变量,分别通过决策树、随机森林、支持向量机和人工神经网络算法构建4个原发性高血压的预后预测模型.通过混淆矩阵评估4种算法对训练集的数据解析能力,发现基于相同变量的情况下,人工BP神经网络的错误率最低(19.1％),其次为支持向量机(24.2％),决策树(28.7％)和随机森林(28.7％)并列最差.测试集带入模型,支持向量机错误率最低(26.5％),其次为随机森林(28.2％)和决策树(28.9％),错误率最高的是人工BP神经网络(30.9％).因而,基于相同变量情况下,4种模型中支持向量机的预测效能最好,其次为随机森林和决策树,预测效能最差的是人工BP神经网络.结论 基于血管功能、中医证候构建原发性高血压模型心血管风险预后模型有较好的应用,使用机器学习可以对高血压心血管风险进行初步判定.该模型构建中支持向量机的预测效能较好.

原发性高血压;血管功能;中医证候;预后模型

崔伟锋;林萍;刘萧萧;郭泉滢

河南省中医药研究院,河南 郑州 450004;河南中医药大学

中国老年学杂志

[1]崔伟锋;林萍;刘萧萧;郭泉滢-.基于机器学习的原发性高血压心血管风险预后模型)[J].中国老年学杂志,2022(15):3625-3629

基于机器学习,原发性高血压,压心,心血管风险,预后模型,中西医,预后危险因素,血管功能,中医证候,压队,高血压患者,人口社会学资料,实验室指标,检查指标,比例风险模型,多因素分析,共线性,训练集,测试集,随机森林算法,高血压的,预后预测模型,预测效能,决策树,人工神经网络,神经网络算法,预测能力,COX,心血管病,病家,家族史,体重指数,饮食习惯,糖代谢异常,脂代谢异常,血同型半胱氨酸,Hcy,ABI,平均动脉压,脉搏波传导速度,cfPWV,血流介导的血管舒张功能,FMD,头晕,头痛,气虚血瘀证,阴虚阳亢证,肝肾阴虚证,阴阳两虚证,混淆矩阵,数据解析,错误率,并列,带入,中支,压模

0.208287