[논문 리뷰] Prediction of Coronary Heart Disease Using Routine Blood Tests

Menɡ Ninɡ, Peng Zhang외 3명|arXiv (Cornell University)|2018. 09. 12.

Cardiovascular Function and Risk FactorsMedicine참고 문헌 6인용 수 4

한 줄 요약

이 연구는 정기적인 혈액 검사 데이터를 사용하여 관상동맥 심장병(CHD) 위험을 예측하는 이중층 기반 경사 부스팅 결정수술(GBDT) 모델을 개발하였다. 이 모델은 CHD 환자를 식별할 때 86%의 민감도를 기록하였으며, 15,000건의 혈액 검사 기록을 활용하여 건강, CHD, 기타 질환을 분류함으로써 임상적 활용을 위한 CHD와 관련된 혈액 마커의 명확한 패턴을 규명하였다.

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.

연구 동기 및 목표

• 정기적인 혈액 검사 결과와 관상동맥 심장병(CHD) 위험 간의 연관성을 조사하기 위해.
• 기본 실험실 데이터를 활용하여 CHD 위험 예측을 향상시키는 기계학습 모델을 개발하기 위해.
• 제안된 모델의 성능을 기존 예측 함수와 비교하기 위해.
• 혈액 검사 결과와 CHD 간의 상관관계를 시각화하여 임상적 해석 가능성을 높이기 위해.
• 식별된 생체마커 패턴에 대한 병리생리학적 해석을 제공하기 위해.

제안 방법

• 2009~2017년 동안의 병원 코hort에서 8년간의 의료 기록을 바탕으로 후향적 단일 기관 연구를 실시하였다.
• 건강 검진 5,060건, CHD 환자 5,051명, 기타 질환 환자 5,075명 포함 총 15,000건의 정기 혈액 검사 결과 데이터셋을 구축하였다.
• 건강, CHD, 기타 질환의 세 가지 카테고리를 분류하기 위해 이중층 기반 경사 부스팅 결정수술(GBDT) 모델을 훈련시켰다.
• 특징 중요도 및 상관관계 분 析를 통해 CHD와 관련된 핵심 혈액 마커를 규명하였다.
• 세 카테고리에서의 민감도, 특이도 및 분류 정확도를 사용하여 모델 성능을 평가하였다.
• 식별된 혈액 검사 패턴을 바탕으로 병리생리학적 해석을 제공하였다.

실험 결과

연구 질문

• RQ1 기존 방법을 초월하여 정기적인 혈액 검사 결과가 관상동맥 심장병 위험 예측에 기여할 수 있는가?
• RQ2 표준 혈액 검사 데이터만을 사용하여 GBDT 기반 모델이 CHD를 얼마나 잘 분류하는가?
• RQ3 데이터셋에서 관상동맥 심장병과 가장 강하게 연관된 혈액 검사 파라미터는 무엇인가?
• RQ4 혈액 검사 패턴의 시각화가 관상동맥 심장병 위험에 대한 임상적 이해를 향상시킬 수 있는가?
• RQ5 식별된 생체마커 패턴은 관상동맥 심장병의 알려진 병리생리학적 메커니즘과 어떻게 일치하는가?

주요 결과

• GBDT 모델은 정기적인 혈액 검사 데이터를 사용하여 관상동맥 심장병 환자를 식별할 때 86%의 민감도를 기록하였다.
• 전체 데이터셋에서 건강한 사람을 식별할 때 모델의 민감도는 93%였다.
• 질병 관련 데이터를 분석한 결과, CHD 검출 민감도는 93%로 높은 분류 성능를 보였다.
• 건강한 사람과 CHD 환자 간의 혈액 검사 결과에 명확하고 뚜렷한 패턴이 나타나, 임상적 해석 가능성을 뒷받침하였다.
• 모델은 CHD를 기타 질환과 성공적으로 구분하여, CHD 관련 생체마커 프로파일을 특이적으로 식별할 수 있었다.
• 병리생리학적 분석을 통해 식별된 혈액 마커와 관상동맥 심장병의 메커니즘 간에 타당한 생물학적 연관성이 드러났다.