增强机器学习模型的开发,以利用心率变量预测2型糖尿病:一项回顾性研究
Vinni S Fengade1, Hira Swati1, Manoj Chandak1
1Computer Science and Engineering, Shri Ramdeobaba College of Engineering and Management, Nagpur, IND.
Cureus
|April 21, 2025
概括
分析心率变化 (HRV) 的机器学习模型显示,对非侵入性2型糖尿病 (T2DM) 查有前途. 优化模型实现了高精度,为传统方法提供了可扩展的替代方案.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 2型糖尿病 (T2DM) 是一个日益严重的全球健康问题,需要早期的,非侵入性的检测方法.
- 目前的查方法 (OGTT,HbA1c,禁食血葡萄糖) 有局限性,包括侵入性和成本.
- 心率变量 (HRV) 分析与机器学习 (ML) 结合,提出了潜在的非侵入性查方法,解决了先前基于HRV的ML模型的概括性问题.
研究的目的:
- 开发和验证使用各种HRV特征 (时间域,频域,非线性) 的ML模型,以提高T2DM预测.
- 评估这些开发的ML模型的性能与T2DM分类的现有ML模型相比.
- 确定关键HRV参数对于准确的糖尿病预测至关重要.
主要方法:
- 对519名患者 (261名T2DM患者,258名对照患者) 的心电图记录进行了回顾性分析.
- 根据既定指南,提取时间域,频域和非线性HRV特征.
- 训练和评估各种ML模型 (物流回归,KNN,随机森林,梯度提升,XGBoost,LightGBM,CatBoost,AdaBoost) 使用80:20列车测试分割,通过GridSearchCV进行超参数优化.
- 使用精度,AUC,灵敏度和特异性的性能评估.
主要成果:
- 在T2DM患者和对照人群之间观察到时间域,频域和非线性HRV参数的显著差异 (p<0.001).
- 组合模型,特别是CatBoost (91.2%准确率,0.91 AUC) 和LightGBM,显示出优异的预测性能.
- 在超参数调整后,K-Nearest Neighbors (KNN) 获得了最高的精度 (98.2%) 和AUC (0.99),紧随其后的是随机森林.
- SD2,SDRR和CVRR被确定为T2DM预测中最重要的HRV特征.
结论:
- 基于HRV的ML模型被验证为非侵入性T2DM预测的有效工具.
- 与以前的ML模型相比,像CatBoost和LightGBM这样的组合模型表现出卓越的性能.
- 与可穿戴技术集成的优化ML模型提供了一个可扩展的,负担得起的,非侵入性的糖尿病查解决方案,保证了基于可穿戴设备的监测和多式人工智能的进一步调查.
