基于HC-MFS的心房动的双特征选择的新方法

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 公共卫生 公共卫生

背景情况:

• 心房动 (AF) 是一种患有复杂风险因素的流行心律失常症.
• 识别不同人群中的特定风险因素对于有针对性的预防和管理至关重要.
• 之前的研究已经探索了各种指标,但需要采用综合临床和环境因素的综合方法.

研究的目的:

• 确定和分析上海崇明区心房动 (AF) 的风险因素.
• 开发和评估一种新的双特征选择方法 (HC-MFS) 以改善AF风险预测.
• 评估机器学习模型在诊断AF倾向方面的实用性.

主要方法:

• 分析了2020-2023年期间在上海重明区接受AF治疗的678名患者的数据.
• 开发和基准测试了一种使用费舍尔分数 (HC-MFS) 的新型层次聚类特征选择方法.
• 使用HC-MFS方法训练和评估了五种分类模型,并在测试组上验证了性能.

主要成果:

• 在AF分类中,HC-MFS方法实现了卓越的性能,精度最高 (0.9118) 和根平均平方误差最低 (0.2970).
• 季节性变化被确定为AF的主要危险因素 (相关等级:pr=0.31,FS=0.11,DCFS=0.33).
• 炎症标志物 (C-反应蛋白) 和脂质样本 (LDL,总胆固醇) 以及血小板计数是AF的重要间接风险因素.

结论:

• 新的HC-MFS特征选择方法显著提高了AF风险预测模型的准确性.
• 机器学习模型,由病理和气候因素提供信息,可以有效地帮助临床医生诊断AF倾向.
• 季节性变化和炎症标志物是研究人口中AF的关键,经常被忽视的风险因素.