脂質異常症は高齢者に蔓延している状態であり、心血管疾患の発生と進行の重大なリスクとなっています。総コレステロール (TC)、トリグリセリド (TG)、および低密度リポタンパク質コレステロール (LDL-C) のレベルの上昇は、これらの疾患の特徴です。 [2, 23]。私たちの研究の予測結果は、脂質異常症のある高血圧高齢患者は心臓病を発症するリスクが高いことを示唆しています。高血圧、糖尿病、脂質異常症などの要因は、異常な血小板活性化を媒介し、病的な血栓形成や心血管疾患を促進する可能性があり、心血管疾患発症の一般的な危険因子となっています。 [24]。さらに、高血圧患者の生活習慣や食習慣は、脂質異常症の人によく似ています。 [25]。最近の研究では、トリグリセリドが収縮期血圧と拡張期血圧を上昇させる可能性が最も高い主要な脂質指標であり、小型高密度リポタンパク質 (HDL) 中のトリグリセリドの上昇と血圧上昇との間に特に強い相関があることが示されています。 [26]。血圧、脂質、血糖値は潜在的なことが多いため、この集団では血管疾患、心筋梗塞、脳卒中、その他の重篤な事象が検出されるまでに発生している可能性があります。したがって、高齢の高血圧患者にとって、脂質異常症は将来の心臓病の高いリスクを予測するための強力な要因となります。脂質レベルをタイムリーに検出して管理することは、心臓病の発生リスクを軽減し、重篤な心血管イベントを防ぐのに役立ちます。
基準高血圧症の高齢患者は、標的臓器である心臓に長期的な損傷を経験します。そのため、リウマチ性心疾患に限らず、さまざまな心疾患が発生しやすくなります。私たちの予測結果によると、高血圧を患い、後に関節炎やリウマチ性疾患を発症する高齢者は、心臓病を発症する可能性が高くなります。したがって、高齢の高血圧患者、特に関節炎やリウマチ疾患のある患者では、心臓病の発症リスクを軽減するために、予防、特定、管理を強化することが不可欠です。
完全な変数セットを使用した予測では、3 つの機械学習手法すべての予測能力は比較的弱く、最高の AUC は LR の 0.60 でした。特徴量エンジニアリングの後、より価値の高い変数のより小さなセットが選択され、この時点で、XGBoost モデルと DNN モデルの両方のパフォーマンスが大幅な向上を示し、それぞれ 0.64 と 0.67 に達しました。これは、特徴量エンジニアリングが予測データの次元を削減するだけでなく、モデルの予測パフォーマンスの向上にも役立つことを示唆しています。特徴の選択プロセス中に、選択された特徴と、性別、喫煙、飲酒などの特定された危険因子との間に矛盾があったことは注目に値します。これらの因子は心臓病の既知の危険因子ですが、特徴選択結果には含まれていませんでした。一部の研究は、疾患に影響を与える要因が必ずしもその予測に大きく寄与するとは限らないことを示唆しています [30]。言い換えれば、病気に大きな影響を与える要因は予測への寄与が最小限である可能性があり、予測研究と因果推論の重要な違いが強調されます。
この研究では、予測モデルの識別分析、キャリブレーション分析、臨床有用性分析も実施しました。優れた識別モデルでは、将来の疾患リスクが高い人と低い人を区別できる必要があり、多くの場合、AUC を使用して評価されます。キャリブレーションは、予測されたリスクと実際のリスクの間の一貫性を反映します。 2015 年の心血管疾患予測モデルの系統的レビューでは、研究の 63% が予測モデルの識別を報告しているが、モデルのキャリブレーションを報告しているのは 36% のみであり、予測モデルの品質のばらつきにつながっていることがわかりました。 [31]。現在、より科学的で客観的な評価を達成するために、識別と校正の両方を報告することを推奨する予測研究が増えています。さらに、意思決定曲線分析は、ゲインに基づいて適切なモデルのしきい値を決定することにより、臨床応用をガイドできます。 [32]。この調査では、異なるしきい値範囲で予測モデルのゲインに違いがあることがわかりました。
この研究では、特徴の選択を通じて、年齢、ウエストと身長の比、飲酒、糖尿病、脂質異常症、肺疾患、関節炎という 7 つの重要な予測変数を特定しました。不変の要因である年齢を除いて、他の要因は食事の変更、運動量の増加、体重管理によって改善できます。具体的には、疫学データを活用することで、高齢の高血圧患者における心臓病のリスクを早期に特定するのに役立ちます。低リスクの人には、健康的な生活習慣を維持することが推奨されます。リスクの高い人は、不健康な習慣を変え、定期的に健康診断を受け、重症の場合は医師の診察と治療を受けることをお勧めします。
この研究の強みには、代表的で費用対効果の高いデータを提供する大規模な地域社会コホート調査が含まれます。高リスク集団戦略の採用と疫学データの組み合わせにより、早期スクリーニングが促進され、介入効率が向上します。さらに、特徴エンジニアリング技術の使用は、予測変数の次元を削減し、より適切な予測モデルを選択し、実用的な適用を容易にするのに役立ちます。最後に、識別、キャリブレーション、および臨床決定曲線分析を使用したモデルの包括的な評価により、複数の観点からモデルを選択することができます。しかし、この研究には人口動態、ライフスタイル、病歴の特徴のみが含まれており、サンプルサイズが比較的小さく、ビッグデータや多次元特徴の処理における機械学習アルゴリズムの利点を十分に実証することはできませんでした。さらに、この研究では内部検証のみが行われ、より広範な集団を対象とした外部検証は行われていなかったため、研究の一般化可能性が制限されていました。全体として、この研究の結果は、高血圧高齢者における将来の心臓病のリスクを予測し、リスクを早期に特定する上で貴重な洞察を提供します。
1736586261
#機械学習に基づく高齢高血圧患者の心疾患発症リスクの予測研究 #BMC #老年学
2025-01-11 08:37:00