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

作者：陈磊; 陈蓉; 张红星; 华木星; 王芳^*

来源：中国循环杂志, 2023, 38(01): 53-60.

• 人工智能
• 机器学习
• 极限树
• 低密度脂蛋白胆固醇
• 血脂异常

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。

• 单位
  云南省阜外心血管病医院; 国家心血管病中心; 中国医学科学院北京协和医学院; 中国医学科学院阜外医院