Petal-X :心血管疾病临床风险可视化工具

心血管疾病(Cardiovascular diseases, CVDs)是全球致死的首要原因,但在大多数情况下,它们是可以通过行为干预来预防的。因此,++++在个体层面上,有效地传达心血管疾病的风险以及通过风险因素的修改来预计风险降低对于降低心血管疾病风险至关重要++++ 。然而,尽管人们对于使用改进的预测模型(如SCORE2)来精细化风险估计感兴趣,但在过去几年中,临床实践中呈现这些风险估计的指导方针本质上没有变化,图形评分表(Graphical Score Charts, GSCs)继续是普遍使用的系统之一。这些图表通过将模型预测因子交叉制表,每个因子被重新编码为几个类别,然后使用颜色编码每个单元格中的风险估计值。尽管GSCs在简化模型的同时,也提供了一种直观的方式来理解和使用风险预测模型,但它们在解释模型的具体工作原理方面存在限制。

本文提出并评估了Petal-X,这是一个针对普通受众的工具,使用新颖的视觉表示------花瓣乘积图(Petal Product Plots)来提供SCORE2的事后解释。该工具的设计旨在解决现有CVD风险沟通工具的挑战,并支持有效的临床医生与患者之间的CVD风险沟通。

1 设计与实现

Petal-X的设计和实现是围绕两个主要构建块进行的:一个为SCORE2量身定制的全局代理模型和Petal Product Plots(花瓣乘积图)。

1.1 SCORE2 心血管风险模型

SCORE2 是一种预测模型,用于估计 40-69 岁无既往 CVD 或糖尿病个体的 10 年致命和非致命 CVD 风险。

  • 模型参数: SCORE2 使用五个预测因子:年龄、吸烟状况、收缩压、总胆固醇和高密度脂蛋白胆固醇 (HDL) 胆固醇。
  • 模型公式: 使用公式 (1) 将预测因子映射到 10 年 CVD 风险百分比。

1.2 全局代理模型

为了使患者或医疗专业人员能够解决以下三个挑战:

  • 识别 CVD 风险: 用户应能够识别患者的 10 年 CVD 风险。
  • 理解每个风险因素的贡献: 用户应能够理解每个风险因素对总 10 年 CVD 风险的贡献。
  • 进行假设分析: 用户应能够理解如果患者的风险因素值发生变化,模型输出风险会降低多少。

仅提供SCORE2模型的10年CVD风险百分比输出是不够的;需要更多模型细节来使模型的功能对目标受众清晰和易于理解。尽管SCORE2被认为是一个(本质上)可解释的模型,但由于它应用了多个非线性函数,即使是这个公式也不能使SCORE2的功能对普通受众更清晰或更易于理解。因此,需要事后解释来向患者描述SCORE2模型的工作原理。

我们选择了全局代理模型,因为可以直接应用SCORE2模型经过的相同验证过程来验证它们,这是在临床实践中广泛采用任何辅助解释SCORE2模型的方法之前的一个要求。++++我们使用线性回归作为代理模型,线性回归模型具有直观的系数解释,易于理解每个风险因素对 CVD 风险的影响。++++

1.3 花瓣产品图 (Petel Product Plots, PPPs)

1.3.1 设计目标

  • 像花一样: 使用花瓣形状的图形元素,使其更易于理解和吸引人。
  • 花瓣面积与产品成正比: 花瓣面积表示风险因素的贡献,面积越大,贡献越大。
  • 花瓣不重叠: 保证每个花瓣的面积都可以被观察到。
  • 花瓣角度编码 b 的值: 花瓣角度表示风险因素的相对重要性。
  • 值 z 映射到花瓣长度: 值 z 的平方根变换映射到花瓣长度,使其与面积成正比。

1.3.2 花瓣形状

  • Rhodonea 曲线: 使用 Rhodonea 曲线作为花瓣形状的基础,并对其进行修改,使其更易于观察角度。
  • 多叶花瓣: 允许每个花瓣具有不同数量的叶瓣,以更准确地表示风险因素的值,并使其更像花。

1.3.3 花瓣产品图的优点

  • 易于理解: 花瓣形状和面积编码易于理解,用户可以快速识别风险因素的重要性。
  • 吸引人: 花瓣形状更美观,更吸引人。
  • 可扩展性: 可以根据需要调整花瓣数量和叶瓣数量,以适应不同的数据集。

1.4 Petal-X 的工作原理

  • 代理模型输出: Pet-X 代理模型预测患者的 10 年 CVD 风险。
  • 风险因素值: 患者的风险因素值(归一化)映射到花瓣长度。
  • 风险因素权重: Pet-X 代理模型的系数映射到花瓣角度,表示每个风险因素的相对重要性。
  • 风险贡献: 花瓣面积表示每个风险因素对 CVD 风险的贡献。

1.5 Petal-X 的设计决策

  • 颜色: 使用年龄相关的颜色尺度,快速显示 CVD 风险的严重程度。
  • 网格: 使用花瓣形状的网格,帮助用户理解风险因素值的变化对 CVD 风险的影响。
  • 图例和标签: 提供颜色图例、叶瓣风险图例和风险因素标签,帮助用户理解可视化。

1.6 Petal-X 的保真度

  • 评估指标: 使用 Spearman 相关系数、确定系数、均方根误差和平均绝对误差评估 Petal-X 与 SCORE2 GSCs 的相似度。
  • 结果: Petal-X 的保真度与 SCORE2 GSCs 相似,表明其可以有效地表示 CVD 风险。

2 评估

我们通过与医疗保健专家进行对照实验来评估Petal-X,因为他们在决定是否在临床环境中采用Petal-X方面起着关键作用。选择具有医疗保健知识的人群也限制了由于参与评估而产生的临床误解的可能性。

主要目标是将Petal-X设计与更传统的心血管疾病风险预测表示方法------图形评分表(GSCs)------进行比较,比较的方面包括:

  • 对前文的三个挑战的支持
  • 感知的透明度、信任度和使用意图

2.1 研究设计

  • 参与者: 88 名护理专业的学生,其中大多数有慢性病患者的经验。
  • 条件: GSCs (控制组) 和 Petal-X (实验组)。
  • 任务:

(1)识别或计算 10 年 CVD 风险。

(2)确定哪些可修改的风险因素对患者的 10 年 CVD 风险贡献最大和最小。

(3)选择可以降低患者 10 年 CVD 风险的假设场景。

  • 评估指标: 任务完成时间、错误率、工作负荷、透明度、信任度和使用意愿。

2.2 结果

  • 任务表现: Petal-X 组在任务 1 和任务 2 上的完成时间显著短于 GSCs 组,并且错误率略低。

  • CVD 风险计算: Petal-X 组在计算 10 年 CVD 风险方面的误差显著高于 GSCs 组。

  • 透明度、信任度和使用意愿: 两组在这些方面没有显著差异。

  • ++++评估结果表明 Petal-X 是一种有前景的 CVD 风险解释工具,它可以帮助用户更好地理解 CVD 风险,并促进医患之间的沟通。++++

相关推荐
用户6915811416530 分钟前
Ascend Extension for PyTorch的源码解析
人工智能
Chef_Chen30 分钟前
从0开始学习机器学习--Day13--神经网络如何处理复杂非线性函数
神经网络·学习·机器学习
咕咕吖31 分钟前
对称二叉树(力扣101)
算法·leetcode·职场和发展
Troc_wangpeng31 分钟前
R language 关于二维平面直角坐标系的制作
开发语言·机器学习
-Nemophilist-1 小时前
机器学习与深度学习-1-线性回归从零开始实现
深度学习·机器学习·线性回归
九圣残炎1 小时前
【从零开始的LeetCode-算法】1456. 定长子串中元音的最大数目
java·算法·leetcode
lulu_gh_yu1 小时前
数据结构之排序补充
c语言·开发语言·数据结构·c++·学习·算法·排序算法
成富1 小时前
文本转SQL(Text-to-SQL),场景介绍与 Spring AI 实现
数据库·人工智能·sql·spring·oracle
丫头,冲鸭!!!1 小时前
B树(B-Tree)和B+树(B+ Tree)
笔记·算法
Re.不晚2 小时前
Java入门15——抽象类
java·开发语言·学习·算法·intellij-idea