12誘導心電図から左室駆出率低下を検出するための簡略化された機械学習のウェブベースアプリケーション

科学分野:

• 循環器病学
• 医療情報学
• 機械学習

背景:

• 深層学習（DL）モデルは、心電図（ECG）から左室駆出率（LVEF）低下を特定するのに有望です。
• DLモデルの複雑さは、その広範な臨床採用を妨げます。
• 簡略化された機械学習（ML）モデルは、アクセス可能なLVEF検出の潜在的なソリューションを提供します。

研究 の 目的:

• 12誘導心電図の数値パラメータを使用してLVEF <40％を検出するための簡略化されたMLモデルを開発および検証すること。
• これらのMLモデルを実装するためのユーザーフレンドリーなWebアプリケーションを作成すること。

主な方法:

• 2つの機関の21,471人の患者からの心電図と心エコー検査データの遡及的分析。
• 心房細動（AF）のある患者とない患者を含む、開発および外部検証コホートが確立されました。
• 連続および二値のLVEF転帰を予測するために、4つのMLアルゴリズム（ランダムフォレスト、XGBoost、サポートベクターマシン、一般化加法モデル）が評価されました。

主要な成果:

• 連続LVEF予測では、ランダムフォレスト（RF）は中程度の内部R二乗値（0.68-0.74）を示しましたが、外部検証パフォーマンスは低かったです。
• 二値分類（LVEF <40％）では、すべてのモデルが非AFグループで高いAUC（内部で> 0.90）を達成しました。
• RFおよびXGBoostは、AFグループ（内部でAUC> 0.90）で強力なパフォーマンスを示し、外部検証精度（AUC 0.80-0.90）は適切でした。

結論:

• 12誘導心電図パラメータを使用した左室駆出率低下の予備スクリーニングのための、簡略化されたWebベースツールが正常に開発されました。
• これらのMLモデルは、左室駆出率低下患者の早期特定のための実用的なアプローチを提供します。