基于机器学习的Web系统的开发,用于使用多频生物电阻分析估计膜溢出
Daisuke Nose1,2,3, Tomokazu Matsui4, Takuya Otsuka5
1Department of Cardiology, Fukuoka University Faculty of Medicine, Fukuoka 814-0180, Japan.
Journal of cardiovascular development and disease
|July 28, 2023
概括
机器学习和胸阻抗准确地估计了心力衰竭患者的胸腔溢出. 与传统技术相比,这种非侵入性方法可以改善胸内病情的评估.
科学领域:
- 生物医学工程 生物医学工程
- 医疗信息学 医疗信息学
- 心脏病学 心脏病学
背景情况:
- 由于准确性和复杂性问题,跨胸膜阻抗 (TTZ) 对血管外肺水含量未得到充分利用.
- 开发非侵入性方法来估计心力衰竭患者的胸内病情至关重要.
研究的目的:
- 开发一种新系统的基础模型,以非侵入性地估计心力衰竭患者的胸内疾病.
- 通过多频生物电阻分析来评估机器学习的有效性.
主要方法:
- 使用多频生物电阻分析来收集电气,物理和血液学数据.
- 开发了一个机器学习模型 (梯度提升,决策树),使用286.6中的16个特征.
- 从63名心力衰竭患者和82名健康志愿者在入院和治疗后收集了数据.
主要成果:
- 开发的模型在区分肺溢液 (AUC = 0.905) 中取得了高准确性.
- 这显著超过了传统的基于频率的方法 (AUC = 0.740).
- 该模型有效地利用了关键的电气测量和临床发现.
结论:
- 机器学习与横胸阻抗相结合,显示出预期用于估计多流量.
- 这种非侵入性方法提供了一种有效的方法,可以使用临床和实验室数据来评估胸内疾病.
