使用基于大规模人口数据集的机器学习模型预测无氧值的心率

科学领域:

• 心脏病学 心脏病学
• 运动生理学 运动生理学
• 机器学习在医学中的应用

背景情况:

• 在厌氧值 (AT-HR) 确定目标心率对于心血管疾病 (CVD) 患者有效的运动处方至关重要.
• 心肺运动测试 (CPET) 是AT-HR确定标准方法,但可能是资源密集的.
• 需要开发替代方法来根据现有的临床特征预测AT-HR.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,仅使用非运动临床特征来预测AT-HR.
• 将ML模型的准确性与AT-HR预测的既定指南推方程进行比较.
• 确定对AT-HR预测有显著贡献的关键临床特征.

主要方法:

• 利用来自21482例CPET病例的8228名参与者 (健康人和心血管疾病患者) 的数据集.
• 采用渐变增强ML模型,对78个临床特征 (例如人口统计学,生命体征,血液检测,心声学) 进行培训.
• 使用平均绝对误差 (MAE) 评估预测准确性,并将ML模型结果与Karvonen和更简单的公式进行比较.

主要成果:

• 与指导方程相比,ML模型实现了显著较低的MAE (7.7 ± 0.2 bpm) (例如,Karvonen: 34.5 ± 0.3 bpm,11.9 ± 0.2 bpm;更简单的公式:15.9 ± 0.3 bpm,9.7 ± 0.2 bpm).
• 对于AT-HR的关键预测因素包括静止心率,年龄,N-终端亲大脑尿性 (NT-proBNP),静止静脉血压,hsCRP,心血管疾病诊断和β-阻断剂的使用.
• 使用前10-20个特征保持了高预测准确度,这表明了特征效率.

结论:

• 从非运动临床特征中成功开发了一种基于ML的AT-HR准确的预测模型.
• 这个模型有可能简化和增强心脏康复的运动处方.
• 该研究确定了AT-HR的新型决定因素,如NT-proBNP和hsCRP,为心血管疾病病理生理学提供了新的见解.