训练和表现电心电图启用机器学习模型,用于检测高级慢性肝病

科学领域:

• 心脏病学 心脏病学
• 肝病学 肝病学是一种肝病学.
• 人工智能在医学中的应用

背景情况:

• 慢性肝病 (CLD) 诊断可能具有挑战性,特别是在资源有限的环境中.
• 之前的研究表明,在CLD检测中,有潜在的非侵入性方法.
• 这项研究建立在以前的发现之上,以探索基于心电图的ML来进行先进的CLD识别.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,使用心电图 (ECG) 数据来检测晚期慢性肝病 (CLD).
• 在大量患者队列中评估ECG-ML模型的诊断性能.
• 评估这个模型在低资源环境中的潜在效用.

主要方法:

• 采用了回顾性队列研究设计,将患有CLD的患者与对照患者匹配起来.
• 从电子健康记录中提取了12导电心电图 (ECG) 数据.
• 训练了一种二进制分类器机器学习 (ML) 模型,以区分CLD和控制组.

主要成果:

• 该研究包括12,930名患有CLD的患者和64,577名对照患者.
• 支持心电图的ML模型实现了0.858的接收器操作特征曲线 (AUC) 下的面积 (95%CI:0.850-0.866),表明强大的区分能力.
• 在选定的值,来自CLD患者的ECG被归类为CLD的可能性是12倍 (诊断几率比:12.33,95%CI:11.16-13.63).

结论:

• 使用心电图数据的ML模型显示了识别先进的CLD的巨大潜力.
• 开发的模型显示了高准确性和分辨力在分类CLD.
• 这种支持ECG的ML方法为在服务不足的地区检测CLD提供了一个有希望的,潜在的低成本工具.