机器学习驱动的心脏骤停的早期预测

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 心脏骤停 (CA) 是全球主要的死亡原因,通常是突然和不可预测的.
• 由于缺乏明确的警告信号,现有的CA预测方法是不够的.
• 机器学习 (ML) 提供了改善CA早期检测和干预的潜力.

研究的目的:

• 开发一种基于ML的方法,用于早期预测心血管疾病 (CVD),这是CA的主要贡献者.
• 整合多样化的患者数据,包括实验室结果,生命体征和心电图,以提高预测.
• 通过及时的医疗干预来提高生存率,并通过准确的预测来促进.

主要方法:

• 使用梯度增强算法 (GBA),支持向量机 (SVM),随机森林 (RF) 和人工神经网络 (ANN).
• 用于ECG信号分解和特征提取的波纹变换器 (WT).
• 实现了修改后递归特征消除 (MRFE),以实现有效的特征选择.

主要成果:

• 模型使用MATLAB进行验证,评估准确性,精度,回忆和F-score.
• 人工神经网络 (ANN) 显示出卓越的性能.
• ANN实现了96.3%的准确性,96.1%的精度,95%的回忆率和94.65%的F分数.

结论:

• ML对于早期CA预测是有效的,使得迅速的医疗干预.
• 拟议的ML模型显示了作为医疗保健专业人员有价值的工具的承诺.
• 这种方法有可能显著改善心脏骤停的管理和预防.