合并队列方程（PCE）预测具有预先指定范围内特征患者的动脉粥样硬化性心血管疾病（ASCVD）风险，但在亚洲人或西班牙人中表现不确定。机器学习（ML）模型是否能改善更广泛多样的真实人群的ASCVD风险预测尚不清楚。我们使用北加利福尼亚州的电子健康记录（EHR）数据库开发了用于多民族患者ASCVD风险预测的ML模型。我们的队列包括18岁或以上既往无心血管疾病且基线检查时未服用他汀类药物的患者（n=），根据缺失或超出范围的变量按PCE合格患者（n=）或PCE不合格患者分层。我们训练了ML模型[具有L2penalty和L1lasso惩罚的逻辑回归，随机森林，梯度提升机（GBM），极端梯度提升]，并确定了5年ASCVD风险预测，包括是否纳入额外EHR变量，以及亚洲和西班牙裔亚组。共有名患者发生ASCVD事件，其中名PCE不合格患者。包括PCE不合格患者在内的整个队列中的GBM表现（受试者工作特征曲线下面积（AUC）0.，95%可信区间（CI）：0.–0.）明显优于PCE合格队列中的PCE表现（AUC0.，95%可信区间：0.–0.）。在40-79岁的患者中，GBM在纳入额外EHR数据之前（AUC0.，95%可信区间：0.-0.）和之后（AUC0.，95%可信区间：0.-0.）表现相似。总的来说，与PCE相比，ML模型取得了可比或改进的性能，同时允许在更大的患者群体（包括PCE不合格患者）中进行风险识别。EHR训练的ML模型可能有助于弥补ASCVD风险预测中的重要差距。
纳入和排除标准
临床特征基线
PCE和ML模型性能的ROC曲线
小猪的科研生活
