Нове дослідження, опубліковане в JAMA Cardiology, демонструє, що спрощена формула для розрахунку холестерину ліпопротеїнів низької щільності (LDL-C), розроблена на основі машинного навчання, забезпечує результати, порівнянні з оригінальною формулою Martin-Hopkins.
Методологія дослідження
Дослідники, серед яких Дживан Парк (Jihwan Park, Ph.D.) з Школи громадського здоров'я Блумберга Університету Джонса Гопкінса, використали багатовимірні адаптивні регресійні сплайни (multivariate adaptive regression splines, MARS) для розробки нової формули, названої LDL-C-MH-MARS. Її ефективність порівнювали з формулами Friedewald (LDL-C-F), Sampson-National Institutes of Health (LDL-C-S), Modified Sampson (LDL-C-MS) та Martin-Hopkins (LDL-C-MH).
У дослідженні взяли участь 4 939 528 пацієнтів з повними даними ліпідної панелі. Учасників випадковим чином розділили на навчальний (3 292 889) та тестовий (1 646 639) набори.
Ключові результати
Формула LDL-C-MH-MARS показала дуже низьке медіанне зміщення −0.1 мг/дл, що було порівнянним з LDL-C-MH. Медіанна різниця між цими двома формулами становила −0.5 мг/дл, підтверджуючи їхню порівнянність.
Найменша середньоквадратична похибка (RMSE) була зафіксована для LDL-C-MH-MARS (4.7 мг/дл) та LDL-C-MH (4.9 мг/дл). Інші формули показали вищі значення: LDL-C-S (5.8), LDL-C-MS (6.0) та LDL-C-F (7.2 мг/дл).
Частка пацієнтів, правильно класифікованих за клінічними категоріями, була майже ідентичною для LDL-C-MH-MARS (89.7%) та LDL-C-MH (89.6%). Для інших формул цей показник був нижчим: LDL-C-S (86.3%), LDL-C-MS (84.7%) та LDL-C-F (83.1%). Аналогічні результати були отримані під час зовнішньої валідації.
Доступність та оптимізація
Співавтор дослідження Сет Мартін (Seth Martin, M.D.) з лікарні Джонса Гопкінса зазначив, що розрахунок холестерину LDL був оптимізований, а нова формула стала доступнішою та простішою для впровадження в усіх лабораторіях.
Реклама · cv-finder.com
Покажіть AI-стек у резюме без зайвого шуму
AI-асистент CV-Finder допоможе описати LLM/ML-проєкти через результати.
Що це означає для розробників
Ця новина означає, що розробники, які інтегрують розрахунки холестерину LDL-C у лабораторні інформаційні системи або медичне програмне забезпечення, можуть отримати вигоду від спрощеної та оптимізованої формули. Це може полегшити впровадження точних розрахунків у клінічні системи.
Ключові факти
-
Спрощена ML-формула LDL-C-MH-MARS дає результати, порівнянні з оригінальною формулою Martin-Hopkins.
-
Дослідження опубліковано 15 липня в JAMA Cardiology.
-
Формула розроблена Дживаном Парком та колегами з Університету Джонса Гопкінса за допомогою багатовимірних адаптивних регресійних сплайнів.
-
У дослідженні взяли участь майже 5 мільйонів пацієнтів.
-
LDL-C-MH-MARS мала низьке медіанне зміщення (-0.1 мг/дл) та найменшу середньоквадратичну похибку (4.7 мг/дл).
Додайте Voydevich.com у бажані джерела Google, щоб частіше бачити наші новини в пошуку.
Джерело
Phys.orgElana Gotkine
Machine learning LDL-C equation comparable to original Martin-Hopkins30 липня 2026
Реклама · cv-finder.com
Покажіть AI-стек у резюме без зайвого шуму
AI-асистент CV-Finder допоможе описати LLM/ML-проєкти через результати.
Попередні статті
LLM-асистований пошук оптимізує розклад супутників спостереження Землі
Дослідники розробили метод evALNS, що використовує великі мовні моделі (LLM) та фреймворк DPEC для автоматичного створення та вдосконалення евристик, значно покращуючи розклад супутників спостереження Землі.
Dassault Systèmes розширює 3DEXPERIENCE трьома новими AI-агентами для промисловості
Dassault Systèmes інтегрувала трьох нових AI-агентів — AURA, LEO та MARIE — у платформу 3DEXPERIENCE, посилюючи її можливості для управління, інженерії та науки в промислових процесах.
ArcticMem: Постійна пам'ять для ШІ-агентів Snowflake CoCo
Snowflake представила ArcticMem, систему постійної семантичної пам'яті, що дозволяє ШІ-агентам навчатися на минулому досвіді, значно підвищуючи їхню ефективність та точність.
Наступні статті
Disney відмовляється від GitHub Copilot на користь OpenAI Codex та інших інструментів ШІ
Disney переглядає свій набір інструментів для кодування на основі ШІ, відмовляючись від GitHub Copilot та інструментів Amazon, натомість впроваджуючи OpenAI Codex та зберігаючи доступ до Claude та Cursor.
Налаштування Hermes Agent: керований сервіс чи самостійне розміщення
Дізнайтеся про два способи налаштування AI-агента Hermes Agent: використання керованого плану для простоти або самостійне розміщення за допомогою Docker для повного контролю.
Приховані витрати ШІ: Чому витрати на LLM є найбільшою «чорною скринькою» сьогодення
Швидке впровадження LLM призводить до несподіваних витрат, оскільки традиційні моделі управління витратами не працюють, а компанії стикаються з прогалинами в атрибуції, оптимізації та стійкості.