预测从结构化电子健康记录数据中预先患有心律失常的患者的心房入院的预测
Tanmay Gokhale1, Nirav R Bhatt2, Matthew Starr2
1Heart and Vascular Institute, University of Pittsburgh Medical Center, 200 Lothrop Street, South Tower, Pittsburgh, PA, E355.6, USA.
机器学习模型可以使用电子健康记录 (EHR) 预测新患者的心房动 (AF). 结构化心电图 (EKG) 和心声图 (Echo) 数据为AF诊断提供了最好的预测能力.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 心房动 (AF) 是一种常见的心律失常症,具有具有挑战性的诊断.
- 电子健康记录 (EHR) 为预测建模提供了丰富的数据来源.
- 机器学习 (ML) 在识别患有AF风险的患者方面表现有前途.
研究的目的:
- 评估ML算法在预测事件AF中的有效性.
- 确定各种EHR数据域对AF预测的贡献.
- 用结构化心电图和回声数据评估ML模型的预测性能.
主要方法:
- 分析了一组186,769名曾经患有心律失常的患者,并提供了EHR数据和随访.
- 电子心电图数据被分类为人口,社会,病史,药物,心电图和回声领域.
- 用这些域逐步训练ML分类器,以预测AF入院情况.
主要成果:
- 总共有4,751名 (2.5%) 患者在35个月内因AF入院.
- 所有的ML模型都显示了增量EHR域的改进预测,梯度提升实现了0.85.8的AUROC.
- 结构化心电图和回声数据单独提供了与使用所有电子心电图领域相比的性能.
结论:
- 结合更结构化的EHR数据可以提高AF预测,心电图和回声领域取得了最显著的改进.
- ML模型显示出强大的AF预测区分能力.
- 队列中的低事件率导致ML模型的精度较差,尽管有良好的歧视.
更多相关视频
08:10Estimating Bilateral Atrial Function by Cardiovascular Magnetic Resonance Feature Tracking in Patients with Paroxysmal Atrial Fibrillation
Published on: July 20, 2022
05:03Patient Directed Recording of a Bipolar Three-Lead Electrocardiogram using a Smartwatch with ECG Function
Published on: December 11, 2019
相关概念视频
Dysrhythmias V: Evaluating Dysrhythmias
ECG Interpretation of Arrhythmias II: Atrial, Junctional and Ventricular Arrhythmias
Disturbances in Heart Rhythm
Arrhythmias are categorized by their speed, rhythm, and origin. A slow heart...
Dysrhythmias VI: Management of Dysrhythmias
Pulse rhythm
Conversely, an irregular pulse pattern is termed dysrhythmia, stemming from disruptions in cardiac...
Dysrhythmias II: Classification of Tachyarrhythmias
