Nonostante le malattie cardiovascolari rappresentino la prima causa di mortalità e morbidità nei Paesi Occidentali, un modello di valutazione del rischio di cardiopatia ischemica cronica (CHD), al fine di una diagnosi precoce e trattamento tempestivo, rimane un obiettivo auspicabile. In questo studio, mediante l’utilizzo di quattro modelli di machine learning (regressione logistica, SVM, random forests e XGBoost), sono stati analizzati 14.971 partecipanti al National Health and Nutrition Examination Survey dal 2011 al 2018. Tra i quattro tipi di modelli, SVM è risultato associato alla migliore performance (AUC = 0.898), mentre i valori AUC della regressione logistica e del random forests sono stati rispettivamente 0.895 e 0.894. Il modello XGBoost ha invece ottenuto le prestazioni peggiori (AUC 0.891). Le tre variabili più significative sono risultate l’assunzione di ASA a basso dosaggio, il dolore toracico e la quantità totale di integratori alimentari assunti. In conclusione, tutti i modelli studiati sono risultati capaci di identificare l’insorgenza di CHD con una differente performance in base al modello considerato.
Accedi per leggere tutto l'articolo
Inserisci i dati del tuo account su Cardiotalk per accedere e leggere tutto il contenuto dell'articolo.
Se non hai un account, clicca sul pulsante registrati e verrai reindirizzato al portale Cardiotalk per la registrazione.
