Ved å bruke klassifiseringsmetoder fra statistisk læring utviklet vi nye modeller som kan forutsi risiko for hjerte- og karsykdom minst like godt som de modellene som brukes av helsevesenet i dag. Vi avdekket også flere variabler som kan være viktige risikofaktorer, men som ikke er inkludert i dagens prediksjonsmodeller – deriblant trening.

Som grunnlag for de nye modellene koblet vi sammen data fra 50 000 friske deltakere i Helseundersøkelsen i Nord-Trøndelag med data om hjerte- og karsykdom fra ulike helseregistere. Slik fant vi fram til de 20 variablene som hadde størst sammenheng med risiko for å rammes av hjerteinfarkt eller hjerneslag i løpet av de neste ti årene. Deretter utviklet vi tre prediksjonsmodeller for hvert kjønn. Vi evaluerte så hvor godt disse modellene kan forutsi hjerte- og karsykdom, sammenlignet med både den norske NORRISK 2-modellen og den britiske Framingham-modellen.

Modellene vi utviklet for menn, presterte vesentlig bedre enn både NORRISK 2 og Framingham, selv om også to av våre tre modeller inkluderte alle de sju variablene som utgjør NORRISK 2. Modellene vi kom fram til for kvinner, presterte derimot ikke noe særlig bedre enn NORRISK 2. I motsetning til NORRISK 2-modellen inngikk verken HDL-kolesterol eller hjertesykdom i nær familie som variabler i noen av våre prediksjonsmodell for kvinner.

Av de mindre etablerte risikofaktorene som ble inkludert i noen av våre modeller for begge kjønn, er betennelsesmarkøren CRP og enzymet ALP i blodet. Også kronisk sykdom eller skade var koblet til økt risiko i vår maskinlæringsanalyse, men er ikke inkludert i dagens eksisterende modeller for å vurdere hjerte- og karrisiko.

Les hele mastergradsavhandlingen:
Risk Prediction of Cardiovascular Disease with Statistical Learning Methods