Модели машинного обучения в прогнозе сердечно-сосудистых заболеваний на бенчмарке мультиэтнических данных: обзор литературы
Year: 2025
Type: article
Abstract: Методы машинного обучения, такие как методы случайного выживания, могут быть эффективной статистической методологией для обработки биомедицинских данных масштаба big data, скорости и разнообразия, даже большой размерности. Методы не требуют априорных предположений о причинно-следственной связи и потому способны выявить новые биомаркеры в прогнозировании 6 сердечно-сосудистых заболеваний. В данном обзоре сделана попытка найти ответ на вопрос об эффективности фенотипирования в прогнозе в целом с акцентом на мультиэтнических данных. Показано, что методы машинного обучения лучше подходят для значимого прогнозирования риска в рамках масштабных эпидемиологических исследований с тщательным фенотипированием, чем обычные модели Кокса или оценки риска. Особо выделяются в этом смысле случайные леса выживаемости как инструмент машинного обучения для прогнозирования сердечно-сосудистых заболеваний и оценки риска в больших популяциях. Machine learning methods, such as random survival methods, can be an effective statistical methodology for processing biomedical data of big data scale, speed and diversity, even those of high dimensionality. The methods do not require a priori causality assumptions, and therefore may reveal new biomarkers in predicting six cardiovascular diseases. In this review, an attempt is made to answer the question about phenotyping’s effectiveness in prognosis in general, with an emphasis on multiethnic data. Machine learning methods have been shown to work better in meaningful risk prediction in large- scale epidemiologic studies with thorough phenotyping than conventional Cox models or risk assessment. Random survival forests stand out in this regard as a machine learning tool for predicting cardiovascular diseases and risk assessment in large populations.
Source: Кардиология в Беларуси
Authors: Ф.Т. Адылова, Р.Х. Тригулова
Language: Russian
Subfield: Health Information Management
Field: Health Professions
Domain: Health Sciences
Open Access status: bronze
OpenAlex ID: W4412104936