心血管病危险因素的风险特征分析及疾病预测模型研究

目的 探讨心血管病(cardiovascular disease,CVD)危险因素的风险特征重要度并优化CVD发生风险预测模型.方法 选取湖北省开展的"心血管病高危人群早期筛查与综合干预项目"中2015年10月—2020年11月纳入的初筛人群132 268例,采用随机梯度下降(SGD)、逻辑回归(LR)、随机森林(RF)、支持向量机(SVM)、K-近邻(KNN)和Light-GBM 等6种机器学习算法建立并优化CVD发生风险预测模型.结果 患有CVD人群的BMI(t=-9.512,P＜0.001)、WC(t=-11.476,P＜0.001)、SBP(t=-38.533,P＜0.001)、DBP(t=-21.571,P＜0.001)、脉压差(t=-25.284,P＜0.001)、TC(t=-6.616,P＜0.001)、LDL(t=-7.374,P＜0.001)、TG(t=-5.572,P＜0.001)、FBG(t=-7.812,P＜0.001)等指标水平均高于健康对照人群.SGD、LR、RF、SVM、KNN和LightGBM 6种机器学习算法建立的CVD风险预测模型AUC值分别为0.835、0.828、0.851、0.852、0.836和0.871,且在LightGBM算法预测CVD风险模型中排名前七的危险因素依次为:SBP、脉压差、DBP、年龄、WC、LDL-C和PEF.在优化的CVD风险预测模型中,仅纳入年龄、SBP、DBP、WC和PEF这5个变量的AUC达到0.867,即可较准确地预测CVD发生的风险.结论 LightGBM机器学习算法是最优拟合预测模型,且仅纳入年龄、SBP、DBP、WC和PEF这5个变量CVD风险预测模型的预测性能良好.