机器学习在心脏应力测试的解释:一个系统的审查
Dor Hadida Barzilai1, Michal Cohen-Shelly1,2, Vera Sorin3,4
1Sami Sagol AI Hub, ARC, Sheba Medical Center, 31 Emek Ha'ela, Ramat Gan 5262000, Israel.
European heart journal. Digital health
|July 31, 2024
概括
机器学习改善了使用压力测试的冠状动脉疾病 (CAD) 诊断. 人工智能增强了压力心电图和心声回声图的准确性,提供了更可靠的患者预后.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 冠状动脉疾病 (CAD) 构成了全球重大健康负担.
- 运动压力测试是CAD的主要非侵入性诊断方法,但其准确性可能是可变的.
- 机器学习 (ML) 的进步为增强压力测试数据的解释提供了潜力.
研究的目的:
- 系统地审查ML在应力心电图 (ECG) 和应力心电图中用于CAD预后的应用.
- 评估ML模型在分析压力测试数据中的性能和结果.
主要方法:
- 系统审查遵循系统审查和元分析 (PRISMA) 准则的首选报告项目.
- 搜索了数据库,包括MEDLINE,科学网和科克兰图书馆.
- 分析了七项相关研究,重点关注ML模型,结果和压力ECG和心声回声学中的性能指标.
主要成果:
- 在应力心电图中ML的应用显示出提高了灵敏度和特异性,一些模型超过96%并减少了高达21%的错误阳性.
- 应力心声学中的ML模型显示了诊断精度的提高,其中一些达到高达92.7%的特异性和84.4%的灵敏度.
- 自然语言处理 (NLP) 在分类压力回声心脏图报告中实现了近98%的准确性.
结论:
- 包括深度学习和NLP在内的ML显示出通过压力测试来改进CAD评估的巨大潜力.
- 目前的证据表明,ML可以提高压力心电图和心电回声学对CAD预后的准确性和可靠性.
- 需要进一步的研究和开发来将这些AI应用转化为常规的临床实践,以改善患者的治疗结果.
