研究使用昼夜心电图特征的自动回归模型来估计心力衰竭患者的左心室射出分数水平
Sona M Al Younis1, Leontios J Hadjileontiadis1,2, Aamna M Al Shehhi1
1Department of Biomedical Engineering, Healthcare Engineering Innovation Centre (HEIC), Khalifa University, Abu Dhabi, United Arab Emirates.
PloS one
|December 11, 2023
概括
电心电图 (ECG) 可以估计心力衰竭 (HF) 患者的左心室喷射率 (LVEF). 机器学习模型,特别是高斯过程回归和决策树,在从心电图数据中预测LVEF方面表现出很高的准确性.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 心力衰竭 (HF) 影响全球数以百万计的人,需要准确的左心室射出小部分 (LVEF) 评估来诊断和管理.
- 心声图是LVEF估计的标准,但心电图 (ECG) 提供了一个更简单,更具成本效益和持续监测的替代方案.
- 开发非侵入性方法来从ECG估计LVEF对于广泛的高频监测至关重要.
研究的目的:
- 为了比较各种回归模型 (SVM,XGBOOST,GPR,决策树) 的有效性,使用HF患者的24小时心电图记录来估计LVEF.
- 确定最佳的机器学习模型和时间间隔,以从心电图数据中准确预测LVEF.
- 探索基于ECG衍生LVEF的冠状动脉疾病 (CAD) 自动查系统的潜力.
主要方法:
- 在多中心队列 (美国和希腊) 中,利用了303名高频患者的24小时心电图记录.
- 提取了ECG特征以每小时间隔训练回归模型 (SVM,XGBOOST,GPR,决策树).
- 使用嵌套循环方法实现超参数调整,用于模型优化和交叉验证.
主要成果:
- 理性二次高斯过程回归 (GPR) 和精细决策树模型实现了最佳的LVEF估计.
- 实现的平均根平均平方误差 (RMSE) 为GPR的3.83%和决策树的3.42%,相关系数分别为0.92和0.91 (p<0.01).
- 确定了特定的昼夜时间段 (午夜至凌晨1点,早上8点到9点,下午10点到11点),实际和预测LVEF之间的RMSE最低.
结论:
- 机器学习模型,特别是GPR和决策树,可以从心力衰竭患者的ECG数据中准确估计LVEF.
- 这些发现支持开发用于高频监测的自动化系统,并可能使用ECG进行CAD查.
- 优化基于昼夜节律的测量时间可以提高基于心电图的LVEF估计的准确性.
