使用机器学习来预测心房的持续时间:模型开发和验证
Satoshi Shimoo1, Keitaro Senoo1,2, Taku Okawa1
1Department of Cardiac Arrhythmia Research and Innovation, Graduate School of Medical Science, Kyoto Prefectural University of Medicine, Kyoto, Japan.
JMIR medical informatics
|November 22, 2024
概括
机器学习模型准确预测心房动 (AF) 持续时间,改善心脏病学家的诊断. 然而,临床医生对人工智能预测的依赖程度有限,即使他们意识到自己的诊断局限性.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 心房动 (AF) 是一种渐进的疾病,根据持续时间的临床类型:发性,持久性 (PeAF; <1年) 和长期持久性 (≥1年).
- AF持续时间是导管切除后复发的关键风险因素,影响PeAF的治疗策略.
研究的目的:
- 为了提高心脏病学家在诊断AF持续时间方面的准确性.
- 开发和验证用于预测AF持续时间的机器学习 (ML) 模型.
主要方法:
- 使用了189名PeAF患者的数据集,其中145人用于训练ML模型,44人用于测试.
- 两组心脏病学家 (A和B) 在测试数据中评估了AF持续时间,首先是独立的,然后提供了ML模型预测.
- 在第二个评估阶段之前,B组也被告知诊断局限性.
主要成果:
- 在测试数据上,ML模型在预测AF持续时间方面达到81.8%的准确性 (72%的灵敏度,89%的特异性).
- 心脏病学家的正确诊断率从第一阶段到第二阶段在两组都显著改善 (A组:63.9%至71.6%;B组:59.8%至68.2%).
- 尽管改善和意识到局限性,心脏病学家对ML预测的不同意仍然很大 (A组17.3%,B组20.9%).
结论:
- ML模型可以显著提高心脏病学家对AF持续时间的诊断准确性.
- 心脏病学家表现出一种倾向,即使他们意识到自己的诊断局限性,也不完全信任ML模型的预测.
