使用基于机器学习算法的模型,在患有心肌缩衰竭的患者中快速和非侵入性诊断高胆血症
Hamid M Torshizi1, Mohammad R Khorgami2, Negar Omidi3
1Phd Student of Biomedical Engineering and Physics Department, School of Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
Journal of family medicine and primary care
|September 4, 2024
概括
这项研究引入了一种非侵入性的心电图 (ECG) 方法,以快速检测高血症,一种危险的电解质失衡. 一个随机森林模型分析了ECG领先2特征,显示出确定高水平的前景,可能预防心脏紧急情况.
科学领域:
- 心脏病学 心脏病学
- 医学诊断 医学诊断 医学诊断
- 生物医学工程 生物医学工程
背景情况:
- 高血症是一种关键的电解质失衡,可能导致心脏突然死亡.
- 目前用于检查水平的血液采样方法耗时,延迟关键治疗.
- 需要一种快速的,非侵入性检测方法来检测高血症.
研究的目的:
- 开发和评估一种用于快速检测高血症的非侵入性方法.
- 评估机器学习算法在使用心电图 (ECG) 数据对血清水平的分类中的有效性.
- 为了识别与高血相关的ECG衍生特征.
主要方法:
- 收集了278名儿科急诊室患者的12导电图数据和血清水平.
- 使用开发的算法,从ECG领先2信号中提取了16个特征.
- 应用主要组件分析 (PCA) 用于缩小维度.
- 使用决策树 (DT),随机森林 (RF),后勤回归和支持向量机 (SVM) 来进行分类.
- 使用接收器操作特征 (ROC) 曲线评估模型性能.
主要成果:
- 随机森林 (RF) 算法实现了最高的性能.
- 射频模型的准确度为0.71,精度为0.87,回忆率为0.53,F1得分为0.66,AUC为0.69.
- 该研究包括126名患有高血症的患者和152名具有正常水平的患者.
结论:
- 一个基于2的随机森林 (RF) 分类模型显示了作为快速超血症检测的非侵入性工具的潜力.
- 这种非侵入性方法可能有助于临床医生预防与严重高血症相关的危及生命的心脏事件.
- 这种基于心电图的方法需要进一步验证以获得临床应用.
