Notizie
Payback farmaceutico 2025. Aifa avvia il recupero di 2,38 miliardi per gli acquisti diretti
L’Agenzia italiana del farmaco (Aifa) ha ufficialmente avviato il procedimento di ripiano per lo sfondamento del tetto della […]
Modelli di machine learning per lo screening dell’ipertensione arteriosa
Uno studio trasversale ha sviluppato e verificato un modello di machine learning basato su variabili cliniche che ha mostrato prestazioni superiori nell’identificare i casi di ipertensione prevalente nella popolazione generale. La ricerca è stata pubblicata su Frontiers in Cardiovascular Medicine con l’obiettivo di classificare lo stato di ipertensione prevalente tramite l’utilizzo di modelli di machine learning spiegabili.
I ricercatori hanno usato i dati clinici raccolti tramite questionari, esami fisici, biochimica del sangue ed esami delle urine di 4.800 residenti permanenti di età pari o superiore a 18 anni nella provincia di Hainan, in Cina, tra il 2021 e il 2022. L’algoritmo random forest è stato applicato per selezionare le caratteristiche più significative in base ai punteggi di importanza di tutte le variabili. I modelli per la classificazione della prevalenza dell’ipertensione sono stati creati utilizzando sei tecniche di machine learning e successivamente confrontati per selezionare il modello con le prestazioni più elevate in base all’accuratezza di classificazione e ai valori dell’area sotto la curva (AUC). Sono state eseguite anche la valutazione della calibrazione e la decision curve analysis per valutare l’applicabilità clinica. Gli algoritmi SHapley Additive exPlanation (SHAP) e Local Interpretable Model-Agnostic Explanations (LIME) sono stati usati per valutare e illustrare i modelli migliori.
I risultati indicano che nello studio sono stati inclusi in totale 4.606 residenti permanenti, con una prevalenza di ipertensione del 32,5%. Il campione è stato suddiviso in un set di addestramento (3.224 soggetti, 70%) e in un set di validazione (1.382 soggetti, 30%). Dopo l’applicazione dell’algoritmo random forest per valutare l’importanza delle caratteristiche, sono state incluse per la costruzione del modello le prime 10 variabili più importanti: età, fumo, microalbuminuria (UALB), livello di istruzione, diabete, indice di massa corporea (BMI), sesso, trigliceridi (TG), livello di reddito e familiarità per ipertensione. Il modello eXtreme Gradient Boosting (XGBoost) ha mostrato la prestazione maggiore con un’AUC di 0,8461. I valori SHAP hanno quantificato il contributo di ciascuna caratteristica di input al modello XGBoost e dimostrato l’ordine di importanza dei predittori. L’algoritmo LIME ha integrato i valori SHAP per fornire una spiegazione per ogni singolo risultato di classificazione. Sulla base dei risultati dello studio è stata sviluppata una pagina web per supportare lo screening della prevalenza dell’ipertensione nei contesti clinici.
Gli autori concludono che il modello di machine learning sviluppato e verificato mostra prestazioni superiori nell’identificare i casi di ipertensione prevalente nella popolazione generale, aprendo nuove possibilità per lo screening rapido di popolazione e per la prevenzione dell’ipertensione.
Front. Cardiovasc, 2026
https://www.frontiersin.org/journals/cardiovascular-medicine/articles/10.3389/fcvm.2026.1871561/full
