在急性心力衰竭患者中,从12个心电图中估计射出分数

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 急性心力衰竭 (AHF) 的管理可以通过在急诊室识别患有低左心室喷射率 (LVEF) 的患者来优化.
• 电心电图 (ECG) 分析为AHF患者的LVEF估计提供了潜在的非侵入性方法.

研究的目的:

• 评估527个自动化12导电图特征在被诊断为AHF的患者中估计LVEF的疗效.
• 开发和验证一种机器学习模型,用于使用心电图数据预测低LVEF.

主要方法:

• 分析了851名AHF患者的医疗记录,包括人口统计,LVEF,并发症和药物.
• 使用最小绝对收缩和选择操作员 (LASSO) 回归来确定用于LVEF估计的显著心电图特征.
• 开发了一个使用42个已识别的ECG特征来预测LVEF≤30%的预测模型.

主要成果:

• 预测模型实现了0.86的曲线下面积 (AUC) (95%CI:0.83-0.89),用于识别LVEF≤30%.
• 该模型显示灵敏度为91% (95% CI:88%-96%) 和负预测值为95%.
• 准确率为60% (95% CI: 60%-63%) 的特异性为54% (95% CI: 50%-57%).

结论:

• 一个可解释的机器学习模型利用生理相关的心电图预测器可以有效地选AHF患者的低LVEF.
• 这种方法可能有助于为AHF管理提供更早,更有针对性的干预措施.