Анализ подгруппы и тесты на взаимодействие показали, что на связь между жесткостью печени и риском ИБС значительно повлияла параметры расы и крови (П-взаимодействие< 0.05) (Fig. 3 and Table 5). Within the race subgroups, significant positive associations with CHD risk (β >1) наблюдались для мексиканских американцев, неиспаноязычных чернокожих, неиспаноязычных белых и участников других рас (включая людей из нескольких расовых людей). В подгруппе параметров крови значительные положительные связи с риском ИБС (β> 1) также были обнаружены в Q1, Q2 и Q4.
Рис. 3
Лесной участок жесткости печени и коронарной болезни сердца.
Таблица 5 Анализ подгруппы значений жесткости печени и коронарной болезни сердца.
Ассоциация между значениями жира в печени, измеренная с помощью временной эластографии и риска ИБС
В таблице 4 представлены коэффициенты ассоциации между значениями жира в печени и риском ИБС в трех моделях постепенно скорректированной логистической регрессии. Последовательная положительная связь наблюдалась между значениями жира в печени и риском ИБС. В нескорректированной модели риск ИБС не был значимым во втором квартале (или = 1,181, П = 0,382), но это было значительным в 3 -м квартале (или = 1,689, П= 0,001) и Q4 (или = 2,336, П<0,001). Риск развития заболевания увеличивается в Q3 и Q4 по сравнению с Q1 с соответствующим увеличением или значениями, что указывает на то, что фактор является фактором риска. Кроме того, на рис. 4 визуально изображены результаты регрессии RCS для значений жира в печени и риска ИБС, при этом горизонтальная ось представляет значения жира печени и вертикальную ось, представляющую или значения. Наблюдалась четкая нелинейная связь между значениями жира в печени и риском ИБС (Пдля нелинейности = 0,004, П<0,05). Это указывает на то, что по мере увеличения значений жира в печени частота ИБС также возрастает.
Рис. 4
RCS -кривая значения жира в печени и коронарной болезни сердца.
Анализ подгруппы связи между значениями жира в печени и риском ИБС
Рисунок 5 и таблица 6 иллюстрирует анализ подгруппы взаимосвязи между значениями жира в печени и риском ИБС. Значительные взаимодействия наблюдались для пола, возраста и уровня холестерина с риском ИБС (П-взаимодействие< 0.05). A positive association between liver fat values and CHD risk persisted across different subgroups, including males and females, as well as age groups (≤ 65 years and >65 лет). В целом, анализ подгруппы продемонстрировал надежные результаты, что позволяет предположить, что влияние значений жира в печени на риск ИБС является последовательным и стабильным для пола и возрастных подгрупп. Кроме того, в подгруппе холестерина значительные связи с риском ИБС были более выраженными в группах Q1 и Q2 (П < 0.05), with a positive correlation (β >1). Стратифицированный регрессионный анализ показал последовательные ассоциации по полу, возрасту и подгруппам ИМТ, со значительными эффектами взаимодействия, наблюдаемыми на уровнях расы и холестерина (таблица 4 и таблица 6).
Рис. 5
Лесной участок значения жира в печени и коронарной болезни сердца.
Таблица 6 Анализ подгруппы значений жира в печени и коронарной болезни сердца.
Анализ чувствительности значений отсечения
Мы провели анализ чувствительности, используя множественные комбинации срезок жесткости печени (жесткость ≥ 5/ <5 кПа) и CAP (≥ 262/ <262 дБ/ м). Во всех порогах AUC оставался на уровне 0,58, при этом PPV ниже 6% и NPV выше 95%. Чувствительность и специфичность были умеренными (детали в таблице 7). Эти результаты подтверждают, что простые пороговые модели имеют ограниченную дискриминационную мощность для прогнозирования ИБС, подчеркивая необходимость более продвинутых подходов к моделированию.
Таблица 7 Диагностические показатели различных комбинаций отсечки для жесткости печени и CAP в прогнозировании коронарной болезни сердца.
Анализ ROC для прогнозирования модели
Чтобы всесторонне оценить прогностическую ценность жесткости печени и значений жира, измеренных по переходной эластографии для риска ИБС, использовались четыре модели машинного обучения: логистическая регрессия, дерево решений, классификатор XGBOOST и нейронная сеть. Производительность этих моделей сравнивалась, чтобы определить лучшую прогнозирующую модель и оценить ее клиническую применимость. Набор данных был случайным образом разделен на учебный набор (70%) и набор тестов (30%). Метрики производительности модели, включая точность, точность, отзыв, оценку F1 и область под кривой рабочей характеристики приемника (AUC-ROC), приведены в таблице 8. Кроме того, была применена недостаточная дискретиза
Таблица 8 Результаты прогнозирования с использованием четырех методов машинного обучения.
Модель логистической регрессии
Как базовая модель, логистическая регрессия продемонстрировала сильную производительность. Матрица путаницы выявила высокий отзыв для положительных случаев (отзыв = 0,839), хотя точность была относительно ниже (точность = 0,768). Точность составила 79,3%, с баллом F1 0,802 и AUC-ROC 79,3%. Как показано на рис. 6, кривая ROC для логистической регрессии показала надежную общую прогностическую производительность. Эти результаты показывают, что модель логистической регрессии достигает превосходного баланса между точностью и отзывами, что делает ее надежным базовым прогнозирующим инструментом.
Рис. 6
Кривая ROC логистической регрессии в полном наборе функций.
Модель дерева решений
Используя модель дерева решений с максимальной глубиной 3, отзыв немного увеличился до 0,852, превосходя модель логистической регрессии. Тем не менее, точность упала до 0,734, что привело к оценке F1 0,789. Точность и AUC-ROC измеряли 77,2%. В то время как модель дерева решений продемонстрировала улучшенный отзыв, ее общая прогностическая производительность немного уступала логистической регрессии, возможно, из -за ее упрощенной структуры, которая ограничивала его способность захватывать сложные закономерности в данных. Кривая ROC для модели дерева решений показана на рис. 7.
Рис. 7
Кривая ROC дерева решений в полном наборе функций.
XGBOOST Classifier Model
Классификатор XGBOOST, после 50 итераций, достиг точности тестового набора 79,0%, точность 0,764, отзыв 0,840 и оценку F1 0,800 с AUC-ROC 79,0%. На рисунке 8 показана кривая ROC для модели XGBOOST. Производительность модели была сопоставимой с результатами логистической регрессии, хотя она демонстрировала небольшие различия в балансе между точностью и отзывами. Эти результаты показывают, что модель XGBOOST эффективно отражает нелинейные отношения между функциями, что делает ее подходящей для дальнейшей оптимизации и клинических применений.
Рис. 8
Кривая ROC модели XGBOOST в полном наборе функций.
Стратифицированный анализ логистической регрессии
Чтобы оценить, варьировались ли ассоциации между жесткостью/CAP печени и CAP варьируются в различных подгруппах населения, мы провели стратифицированный логистический регрессионный анализ по полу, возрасту и ИМТ. В стратифицированном половом анализе жесткость печени была значительно связана с повышенным риском ИБС у мужчин (β = 0,032, 95% ДИ: 0,002–0,062, р = 0,038), но эта связь не была значимой у женщин (β = 0,023, 95% ДИ: –0,008–0,054, р = 0,150). CAP не показал значительной связи с ИБС в любом поле, хотя у мужчин была отмечена предельная тенденция (P = 0,088). Анализ с стратифицированным по возрасту и ИМТ не выявил согласованные или значительные ассоциации ни для одной переменной (см. Таблицу 9 для полных результатов). Эти данные свидетельствуют о том, что влияние жесткости печени на риск ИБС может быть изменен по полу.
Таблица 9 Результаты стратифицированной логистической регрессии для ассоциации жесткости печени и кепки с ИБС по полу, возрасту и ИМТ.
Модель нейронной сети
Модель нейронной сети, построенная с использованием структуры Keras, показала следующие показатели производительности: точность 77,8%, точность 0,703, отзыв 0,963, балл F1 0,813 и AUC-ROC 77,8%. В то время как нейронная сеть достигла значительно более высокого отзыва по сравнению с другими моделями, ее точность была относительно ниже, что может привести к более высокой ложноположительной скорости. Эта модель продемонстрировала сильную способность в выявлении положительных случаев ИБС, но дальнейшие корректировки параметров необходимы для снижения ложных срабатываний. Кривая ROC для модели нейронной сети представлена на рис. 9.
Рис. 9
Кривая ROC нейронной сети в полном наборе функций.
Сравнение четырех моделей
Сравнение производительности четырех моделей, логистическая регрессия и XGBOOST продемонстрировали превосходную производительность с точки зрения AUC-ROC, оценки F1 и баланса между точностью и воспоминанием, что делает их особенно подходящими для прогнозирования риска ИБС. В сценариях, требующих более высокого отзыва, можно рассмотреть модель нейронной сети, хотя компромисс по ложному положительному риску следует учитывать.
Анализ важности особенности
Таблица 10 Корреляция между прогнозирующими моделями и результатами.
1755353749
#Взаимосвязь #между #жесткостью #печени #содержанием #жира #измеренной #эластографией #печени #заболеванием #коронарной #артерии #исследование #основанное #на #базе #данных #NHANES
2025-08-16 12:32:00
По теме
