机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。 专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能核心，是使计算机具有智能的根本途径。

个性化的风险预测是提供个性化医疗的先决条件。为了比较了蛋白质组学支持的机器学习（ML）算法与LIFE-心脏研究中具有心血管危险因素的患者队列中全因死亡率的经典和临床风险预测方法，随后在PLIC研究中得到验证，来自德国莱比锡大学莱比锡心脏中心的专家开展了相关研究，结果发表在JACC杂志上。

研究人员使用OLINK-心血管面板，对来自LIFE-心脏研究的1,998人队列（衍生）和来自PLIC队列的772人（外部验证）的92种蛋白质进行了测量。使用XGBoost和神经网络构建了基于蛋白质的死亡率预测模型，将预测性能与经典的临床风险评分（系统冠状动脉风险评估，Framingham）、逻辑和Cox回归模型进行比较。

内部验证的156名（8%）患者和外部验证队列的68名（9%）患者分别在10年和11年的中位随访期间发生全因死亡。在内部和外部验证中，弗雷明汉风险评分的曲线下面积（AUC）为0.64（95%CI：0.59-0.68）和0.65（95%CI：0.58-0.74），逻辑回归AUC为0.65（95%CI：0.57-0.73）和0.67（95%CI：0.59-0.74），Cox回归AUC为0.55（95%CI：0.51-0.59）和0.65（95%CI：0.57-0. 73）。

使用经典的回归模型和机器学习模型进行的预测结果

与此对应，XGBoost分类器AUC为0.83（95%CI：0.79-0.87）和0.91（95%CI：0.86-0.95），XGBoost生存估计器AUC为0.83（95%CI：0.79-0.87）和0.93（95%CI：0.88-0.97），神经网络AUCs分别为0.87（95%CI：0.83-0.91）和0.94（95%CI：0.90-0.98），可见ML比经典回归模型预测的准确率更高。

ML驱动的多蛋白风险模型在预测心血管风险增加的患者的全因死亡率方面优于经典的回归模型和临床评分。

 

参考文献：

Proteomics-Enabled Deep Learning Machine Algorithms Can Enhance Prediction of Mortality. J Am Coll Cardiol. 2021 Oct, 78 (16) 1621–1631