使用机器学习和高频QRS预测血管学冠状动脉疾病

科学领域:

• 心脏病学 心脏病学
• 医学诊断 医学诊断 医学诊断
• 机器学习 机器学习

背景情况:

• 运动压力心电图 (ECG) 对于诊断稳定的冠状动脉疾病 (CAD) 至关重要.
• 目前的诊断准确性需要改进,以获得更好的患者结果.
• 高频QRS (HF QRS) 分析为增强诊断能力提供了一个潜在的途径.

研究的目的:

• 开发和评估用于预测血管学冠状动脉疾病 (CAD) 的机器学习模型.
• 使用HF QRS对骑自行车运动心电图数据的分析,以改善CAD检测.
• 通过先进的数据分析,确定CAD的关键临床预测因素.

主要方法:

• 一项前性研究,涉及140名住院患者和59名健康志愿者接受运动心电图.
• 冠状动脉血管学作为确定冠状动脉心脏病 (CHD) 存在的黄金标准.
• 进行了自动化,盲目的HF QRS分析,随后进行了多因素回顾分析,以构建机器学习模型 (XGBoost,物流回归,LightGBM,RandomForest,ANN,SVM).

主要成果:

• 与非冠状动脉组相比,冠状动脉组的男性性别,年龄,BMI,高血压和糖尿病的患病率较高.
• 在冠状动脉组中观察到血脂水平升高,运动期间QRS持续时间更长,更多的积极线索和显著的高频QRS变化.
• 机器学习模型是使用临床因素和HF QRS结论来构建的.

结论:

• 男性性别,晚年,高血压,糖尿病和积极的运动压力测试HF QRS发现表明心脏病风险高.
• 后勤回归模型在预测CHD方面表现出卓越的性能.
• 为评估个体的慢性心血管疾病风险,开发了一个经过验证的列线图.