使用心电图监测指标和机器学习对心力衰竭结果的预测建模

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 心力衰竭 (HF) 构成了全球健康负担,早期风险识别因复杂的患者数据而复杂.
• 机器学习 (ML) 为提高HF预后的准确性提供了一个有希望的途径.

研究的目的:

• 评估心电图 (ECG) 衍生特征对心力衰竭风险的预测能力.
• 开发和验证一种机器学习模型,根据HF风险对患者进行分层.

主要方法:

• 一个随机森林 (RF) 分类器被训练在1061名患者的公共队列上 (55.5%开发HF).
• 用准确度,灵敏度,特异性,F1得分和AUC来评估模型性能,特征重要性由基尼重要性,博鲁塔算法和SHAP值决定.

主要成果:

• 射频模型实现了高性能,AUC为0.969,准确度为91.8%,灵敏度为93.8%,特异性为89.4%.
• 确定的主要预测因素包括ST抑郁症 (Oldpeak),最大心率 (MaxHR),ST细分斜率和血清胆固醇.
• SHAP分析证实了心电图指数和胆固醇对个人风险预测的显著影响.

结论:

• 使用心电图特征的射频模型在预测高频风险方面表现强.
• 该模型突出了关键的生理标记,包括心电图参数和血清胆固醇,用于风险评估.
• 未来的研究应该包括并发症和详细的生化数据,以提高临床效用.