Машинное обучение для прогнозирования артериальной гипертензии: систематический обзор

Цель обзора: представить обзор литературы по использованию алгоритмов машинного обучения для прогнозирования артериальной гипертензии. Для отбора недавних публикаций по этой теме был выполнен систематический обзор.

Новые данные: Отбор статей проводили с помощью алгоритма машинного обучения (ASReview). Было выявлено и сопоставлено 21 исследование, опубликованное в период с января 2018 по май 2021 года, с анализом выбора переменных, разделения на обучающую и тестовую выборки, балансировки данных, определения исхода, конечного алгоритма и метрик качества. В целом в исследованиях площадь под ROC-кривой (AUROC) составляла от 0,766 до 1,00. Наиболее часто в качестве алгоритмов с лучшей эффективностью указывали метод опорных векторов (SVM), экстремальный градиентный бустинг (XGBoost) и случайный лес. Алгоритмы машинного обучения представляются перспективным инструментом для улучшения профилактических клинических решений и адресной политики общественного здравоохранения в отношении артериальной гипертензии. Однако такие технические факторы, как определение исхода, доступность финального кода, прогностическая точность, интерпретируемость и утечка данных, требуют последовательной и критической оценки.