다중 비교에 대한 보정은 적용하지 않았습니다. 모델 성능은 정확도, 재현율, 정밀도 및 F1 점수를 사용하여 평가했습니다. 예측 성능은 AUROC 곡선을 사용하여 평가했습니다. 연령(<60세 vs ≥60세), 성별, 인종/민족, 고혈압 및 당뇨병 상태를 포함한 사전 정의된 하위 그룹 분석을 수행했습니다. 우리는 Kaplan-Meier 방법을 사용하여 CT로 측정한 CAC 분류와 가장 성능이 우수한 ML 모델이 예측한 CAC 분류 간의 연관성을 5년 이내의 심혈관 질환(CVD) 발생률과 비교 평가했습니다. 모델의 보정은 Brier 점수와 신뢰도 도표를 사용하여 평가했습니다. 예측 확률과 실제 결과 간의 평균 제곱 차이를 정량화하는 Brier 점수는 0에서 1.00 사이의 값을 가지며, 값이 낮을수록 보정이 우수함을 나타냅니다. [ 22 ]. 다음으로, 평균 예측 확률과 관찰된 사건 발생률을 비교하여 전반적인 보정을 평가하고, 관찰된 이진 결과를 예측 확률에 회귀시켜 보정 기울기를 계산했습니다. 예측 위험 범위 전체에 걸쳐 보정 성능을 시각화하기 위해 예측 확률의 십분위수로 계층화된 보정 도표를 생성했습니다. 우리는 최근 가이드라인[ 23 ] 에서 초기 ASCVD 위험 평가에 권장되는 풀링 코호트 방정식(PCE)의 ASCVD 위험 추정기에 더해, 가장 성능이 우수한 ML 모델 기반 CAC 계층화의 예후적 가치를 Harrell의 C 통계량을 사용하여 평가했습니다. 위험 예측의 개선을 평가하기 위해, ML 모델 기반 CAC 계층화를 PCE 위험 예측에 통합한 후 순 재분류 개선(NRI)을 계산했습니다[ 24 ]. C 통계량과 NRI에 대한 신뢰 구간은 1000회 반복 부트스트래핑을 사용하여 추정했습니다. p값 <0.05를 통계적으로 유의미한 것으로 간주했습니다. 모든 분석은 Python 버전 3.8의 scikit-learn을 사용하여 수행했습니다[ 21 ]. 블랙티비 블랙티비 블랙티비 블랙티비 야구중계 토토갤 토토솔루션 리얼돌 스포츠중계사이트제작 스포츠중계 스포츠중계 스포츠중계 카드현금화 주식실시간디비 주식실시간DB 상남동베트남노래방 청주노래궁 어느날토토 마니라클락에이전시 창원베트남노래방 포항출장마사지 포항출장마사지 인계동 스웨디시 인계동 스웨디시 인계동 스웨디시 인계동 스웨디시 천안다국적노래방 영덕대게 맛집 급전 소액급전 강남 하이퍼블릭 강남 하퍼 서면가라오케 스포츠중계제작 스포츠중계api 스포츠중계솔루션 스포츠중계api 스포츠중계솔루션 스포츠중계제작