一种基于人工智能技术推导低密度脂蛋白胆固醇浓度的新方法.pdfVIP

中国循环杂志 2023 年 1 月 第 38 卷 第 1 期（总第 295 期）Chinese Circulation Journal，January，2023，Vol. 38 No.1（Serial No.295） 53 冠心病研究 一种基于人工智能技术推导低密度脂蛋白胆固醇浓度的新方法 陈磊，陈蓉，张红星，华木星，王芳 摘要 目的：评估一种基于人工智能技术推导低密度脂蛋白胆固醇（LDL-C）浓度的新方法。 方法：收集云南省阜外心血管病医院 2017 年 9 月至 2021 年 11 月血脂测定数据共 118 449 例样本，整理血脂数 据获取特征，构建一种基于人工智能技术推导 LDL-C 浓度的极限树回归（ETR）模型（LDL-ETR 模型 ）。用 LDL-ETR 模型的预测值和 LDL-C 实测值同计算 LDL-C 浓度的常用公式 [Martin/Hopkins 公式（LDL-M 公式 ）、Sampson 公式 （LDL-S 公式 ）、Friedewald 公式（LDL-F 公式 ）] 进行比较分析。 结果：LDL-ETR 模型预测值与实测值拟合优度为 0.9940，不确定度为 12.2109，相关系数为 0.9970。当甘油三 酯（TG）在 0.89~885.11 mg/dl 的全浓度范围内，LDL-ETR 模型预测值与实测值之间差值为（-0.00±3.50）mg/dl，优于 LDL-M 公 式 [（-5.41±7.43）mg/dl]、LDL-S 公 式 [（-6.80±10.91）mg/dl] 和 LDL-F 公 式 [（-10.06±13.90）mg/dl]， P 均 0.001；TG 对 LDL-ETR 模型基本无干扰。在测试集总体 21 398 例样本中，LDL-ETR 模型中有 20 101 例样本 （93.94%）与实测值一致，一致性较好。LDL-ETR 模型预测值的逻辑错误率较低，为 0.04%，仅次于 LDL-M 公式的 0.02% （ P =0.17）。通过学习曲线证明，LDL-ETR 模型预测结果适用于相同检验系统的其它样本。 结论：这种基于人工智能技术以血脂数据集构建的 LDL-ETR 模型可较准确地预测 LDL-C 浓度，相比常用公式， 该模型在高或低 TG 下的预测结果均较好。 关键词 人工智能；机器学习；极限树；低密度脂蛋白胆固醇；血脂异常 A New Equation to Estimate Low-density Lipoprotein Cholesterol Based on Artificial Intelligence CHEN Lei, CHEN Rong, ZHANG Hongxing, HUA Muxing, WANG Fang. Department of Clinical Laboratory, Fuwai Yunnan Cardiovascular Hospital, Kunming (650102), Yunnan, China Corresponding Author: WANG Fang, Email: fray.163@163.com Abstract Objectives: To establish a new method to predict the concentration of low-density lipoprotein cholesterol (LDL-C) based on artificial intelligence technology using Yunnan population lipid data. Methods: A total of 118 449 lipid measurement data of Fuwai Yunnan Cardiovascular Hospital from September 2017 to November 2021 were collected. After data processing to obtain relevant characteristics, an Extra-Trees model (LDL-ETR) was constructed to predict th