心血管疾患のリアルタイム心電図ベース検出のための、バランスの取れた解釈可能な機械学習アプローチ

科学分野:

• 心臓病学と医療情報学; ヘルスケアにおける機械学習; 生物医学的応用のための信号処理

背景:

• 心血管疾患（CVD）は依然として世界的な死亡原因の第1位です。; CVDの信頼性が高く正確な診断システムの緊急の必要性があります。; 既存の心電図（ECG）データセットは、標準化が不足しているか、堅牢な機械学習アプリケーションには不十分な多様性しか持たない可能性があります。

主な方法:

• 臨床現場からの34,580件の12誘導心電図記録のデータセットを収集および前処理しました。; 臨床的に情報量の多い14の特徴を抽出し、データセットをバランスさせるために合成少数オーバーサンプリング技術（SMOTE）を適用しました。; ランダムフォレスト、DNN、MLP、RNNなど、10の機械学習およびディープラーニングモデルをトレーニングおよびテストし、解釈性のためにSHAP/LIMEを採用しました。

結論:

• 開発された標準化された心電図データセットと機械学習モデルは、リアルタイムのCVD分類のための非常に正確で解釈可能なツールを提供します。; SMOTEはクラス不均衡を軽減するための重要な技術であり、心血管診断におけるディープラーニングモデルのパフォーマンスを大幅に向上させます。; この調査結果は、心血管疾患の診断における意思決定支援のための提案されたシステムの臨床的有用性を支持します。