可解释的机器学习用于预测孤立的基底隔膜缩
Lei Gao1, Boyan Tian2, Qiqi Jia2
1The Third Department of Ultrasound, Baoding First Central Hospital, Baoding, China.
PloS one
|June 30, 2025
概括
机器学习有效地预测基底隔膜缩 (BSH),一个常见的左心室变化. 随机森林 (RF) 模型,确定IVS-AO角度作为关键预测因素,为BSH风险管理提供了一个简单的工具.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 医疗保健中的机器学习
背景情况:
- 基本隔膜缩 (BSH) 是一个未被认可的左心室形态变化,患病率为7-20%.
- BSH可以表明早期的左心室重塑,并带来外流通道阻塞和术后并发症的风险,特别是在跨导管大动脉植入 (TAVI) 后.
- 现有的BSH诊断和预测模型是有限的,这凸显了对机器学习等先进方法的需求.
研究的目的:
- 评估五种机器学习算法在预测基底隔膜缩 (BSH) 的有效性.
- 使用机器学习开发一个简单有效的BSH预测模型.
主要方法:
- 分析了902名患者 (91名BSH,811名非BSH) 的心声和临床数据.
- 应用了五种机器学习算法 (XGBoost,随机森林,决策树,KNN,天真贝叶斯),与基于拉索回归的后勤回归相结合.
- 用ROC曲线,校准曲线和DCA评估模型性能; SHAP分析解释模型预测.
主要成果:
- 在物流回归中,IVS-AO Angle,LVMI,LVIDdI,SBP,DBP,MVCP-Sd,GLU和MV-A与BSH相关.
- 在测试组中,XGBoost和随机森林模型实现了最高的AUC (分别为0.92和0.91).
- SHAP分析显示IVS-AO Angle,LVMI,LVIDdI和SBP是关键预测因素,其中IVS-AO Angle是最重要的.
结论:
- 机器学习模型可以有效地预测基底隔膜缩 (BSH).
- IVS-AO角被确定为BSH的独立预测指标.
- 随机森林 (RF) 模型为BSH风险管理提供了一个简单且可操作的工具.
更多相关视频
11:50High-frequency High-resolution Echocardiography: First Evidence on Non-invasive Repeated Measure of Myocardial Strain, Contractility, and Mitral Regurgitation in the Ischemia-reperfused Murine Heart
Published on: July 9, 2010
24.3K
10:53Ultrasonic Assessment of Myocardial Microstructure
Published on: January 14, 2014
5.6K
