机器学习可以改善心血管疾病社会、环境因素都包括在内

机器学习可以准确地预测心血管疾病和指导治疗方面,模型将健康问题社会决定因素更好的捕捉风险和结果对于不同组,纽约大学的研究人员的一项新研究发现全球公共卫生学院和经脉工程学院。这篇文章发表在美国预防医学杂志》上还指出,机会来改善社会和环境变量是如何考虑到机器学习算法。

心血管疾病负责全世界将近三分之一的死亡和不成比例的影响较低的社会经济组织。增加心血管疾病部分和死亡是由于社会和环境条件也被称为健康的社会决定因素影响饮食和锻炼。

“心血管疾病正在增加,尤其是在低收入和中等收入国家和社区之间的颜色在像美国这样的地方,”鲁米Chunara说,纽约大学生物统计学副教授全球公共卫生学院和纽约大学经脉工程学院计算机科学与工程,以及该研究的资深作者。“因为这些变化正在发生在如此短的时间内,众所周知,我们的社会和变化环境因素加工食品,如增加,推动这一变化,而不是遗传因素这将在更长时间尺度变化。”

机器学习——一个类型的人工智能用于检测模式数据——在心血管研究迅速发展和护理预测疾病风险,发病率和结果。了,统计方法中央在评估心血管疾病风险和美国预防指南。发展预测模型提供卫生专业人员可操作的信息,量化病人的风险,指导处方药物或其他预防措施。

心血管疾病风险通常是计算使用的临床信息,如血压和胆固醇水平,但很少采取社会决定因素,如社区水平因素,考虑。Chunara和她的同事们试图更好地了解社会和环境因素也开始被纳入机器学习算法被认为是心血管疾病什么因素,它们是如何被分析,改善这些模型和方法。

“社会和环境因素复杂,非线性交互与心血管疾病、“Chunara说。“机器学习可以特别有用在捕捉这些错综复杂的关系。”

研究人员分析了现有机器学习和心血管疾病的风险,研究筛选超过1600篇文章,最终聚焦于48同行评审的研究成果发表在期刊在1995年和2020年之间。

他们发现,包括健康问题社会决定因素在机器学习模型提高了预测心血管结果再入院治疗,心力衰竭和中风。然而,这些模型没有通常包括基层或的完整列表环境变量重要的心血管疾病风险。一些研究也包括其他因素,如收入、婚姻状况、社会孤立,污染,和医疗保险,但只有五个研究考虑环境因素如一个社区的可行性和资源的可用性就像杂货店。

研究人员还指出,缺乏地理多样性研究中,所使用的大部分数据来自美国,欧洲国家,和中国,忽视了世界的许多地方经历增加心血管疾病。

“如果你只做研究在美国和欧洲等地,你就会错过社会决定因素和其他环境因素如何与心血管风险在不同环境和知识交互生成将是有限的,“Chunara说。

“我们的研究显示,有更多的空间系统的全面的健康问题社会决定因素合并到心血管疾病统计风险预测模型,”斯蒂芬妮·库克说,助理教授在纽约大学生物统计学全球公共卫生学院的一项研究的作者。“近年来,越来越注重捕捉数据health-such社会决定因素是就业、教育、食品、和社会支持电子健康记录,创造了一个机会来使用这些变量在机器学习的研究,进一步提高风险预测的性能,尤其是对弱势群体。”

“包括社会决定因素健康的机器学习模型可以帮助我们解开差距在哪里扎根,关注在我们应该干预的风险结构,”Chunara补充说。“例如,它可以改善临床实践帮助卫生专业人员确定患者需要转诊到社区的资源,比如住房服务和广泛的强化了个人的健康之间错综复杂的协同作用和环境资源。”

---

---