[論文レビュー] Prediction of Coronary Heart Disease Using Routine Blood Tests

Menɡ Ninɡ, Peng Zhang+3 more|arXiv (Cornell University)|Sep 12, 2018

Cardiovascular Function and Risk FactorsMedicine参考文献 6被引用数 4

ひとこと要約

本研究では、日常的血液検査データを用いて冠動脈疾患（CHD）リスクを予測する二層構造の勾配ブースティング決定木（GBDT）モデルを開発した。CHD患者の同定において86％の感度を達成した。15,000件の血液検査記録を活用して健康、CHD、その他の疾患を分類し、臨床応用に向けたCHD関連の血液マーカーの明確なパターンを明らかにした。

ABSTRACT

Background --The objective of this study was to examine the association of routine blood test results with coronary heart disease (CHD) risk, to incorporate them into coronary prediction models and to compare the discrimination properties of this approach with other prediction functions. Methods and Results --This work was designed as a retrospective, single-center study of a hospital-based cohort. The 5060 CHD patients (2365 men and 2695 women) were 1 to 97 years old at baseline with 8 years (2009-2017) of medical records, 5051 health check-ups and 5075 cases of other diseases. We developed a two-layer Gradient Boosting Decision Tree(GBDT) model based on routine blood data to predict the risk of coronary heart disease, which could identify 86% of people with coronary heart disease. We built a dataset with 15,000 routine blood tests results. Using this dataset, we trained the two-layer GBDT model to classify healthy status, coronary heart disease and other diseases. As a result of the classification after machine learning, we found that the sensitivity of detecting the health data was approximately 93% for all data, and the sensitivity of detecting CHD was 93% for disease data that included coronary heart disease. On this basis, we further visualized the correlation between routine blood results and related data items, and there was an obvious pattern in health and coronary heart disease in all data presentations, which can be used for clinical reference. Finally, we briefly analyzed the results above from the perspective of pathophysiology. Conclusions --Routine blood data provides more information about CHD than what we already know through the correlation between test results and related data items. A simple coronary disease prediction model was developed using a GBDT algorithm, which will allow physicians to predict CHD risk in patients without overt CHD.

研究の動機と目的

• 日常的血液検査結果と冠動脈疾患（CHD）リスクとの関連を調査すること。
• 標準的な臨床検査データを用いてCHDリスク予測を改善する機械学習モデルを開発すること。
• 提案されたモデルの性能を既存の予測関数と比較すること。
• 血液検査結果とCHDの間の相関関係を可視化し、臨床的解釈可能性を高めること。
• 同定されたバイオマーカーのパターンについて、病態生理学的解釈を提供すること。

提案手法

• 2009年から2017年までの8年間の病院コhortの医療記錴を用いた、後向きで単一施設の研究を実施した。
• 健康な検診、CHD患者5,060例、その他の疾患患者5,075例を含む、15,000件の日常的血液検査結果のデータセットを構築した。
• 健康、CHD、その他の疾患の3つのカテゴリを分類するため、二層構造の勾配ブースティング決定木（GBDT）モデルを訓練した。
• 特徴量の重要度と相関分析を用いて、CHDに関連する主要な血液マーカーを同定した。
• 感度、特異度、分類精度の3つの指標を用いて、3クラスすべてにおけるモデルの性能を評価した。
• 同定された血液検査のパターンに基づき、病態生理学的解釈を提供した。

実験結果

リサーチクエスチョン

• RQ1 日常的血液検査結果は、従来の手法を上回る冠動脈疾患リスクの予測を可能にするか？
• RQ2 GBDTベースのモデルは、標準血液検査データのみを用いてCHDを分類する際に、どの程度の性能を示すか？
• RQ3 本データセットにおいて、CHDと最も強く関連する血液検査パラメータは何か？
• RQ4 血液検査のパターンを可視化することで、CHDリスクに関する臨床的理解が向上するか？
• RQ5 同定されたバイオマーカーのパターンは、CHDの既知の病態生理学的メカニズムとどの程度整合するか？

主な発見

• GBDTモデルは、日常的血液検査データを用いて冠動脈疾患の患者を同定する際、86％の感度を達成した。
• 全データセット全体において、健康な個体を同定する感度は93％であった。
• 疾患関連データを分析した際、CHDの検出感度は93％であった。これは、分類性能が優れていることを示している。
• 健康な個体とCHDを有する個体との間で、血液検査結果に明確で明確なパターンが見られた。これは、臨床的解釈可能性を高める要因となった。
• モデルはCHDとその他の疾患を効果的に区別できた。これは、CHD関連のバイオマーカー特性を特異的に特定できていることを示唆している。
• 病態生理学的分析により、同定された血液マーカーと冠動脈疾患のメカニズムとの間には、妥当な生物学的関連が確認された。