可解释和外部验证的机器学习用于通过ECG进行神经认知诊断
Juan Miguel Lopez Alcaraz1, Ebenezer Oloyede2,3, David Taylor2,4
1AI4Health Division, Carl von Ossietzky Universitat Oldenburg, Oldenburg, Germany.
General psychiatry
|October 29, 2025
概括
电心电图 (ECG) 分析显示,它有望用于检测神经认知障碍,如痴呆症和阿尔茨海默病. 这种非侵入性生物标记方法为早期检测和个性化监测患者提供了潜力.
科学领域:
- 心脏病学 心脏病学
- 神经学 神经学
- 生物标志物发现发现
背景情况:
- 电心电图 (ECG) 分析越来越被认可用于检测非心脏病的生理变化.
- 心血管和神经认知健康密切相关,这表明心电图异常可能表明神经认知障碍.
- 电脑心电图作为神经认知障碍检测,治疗监测和风险分层的生物标志物的潜力仍未得到充分探索.
研究的目的:
- 以证明使用心电图特征预测神经认知障碍的可行性.
- 在不同患者群体中验证预测模型.
主要方法:
- 利用ECG特征和人口统计数据,根据ICD-10预测神经认知障碍 (痴呆症,痴呆症,帕金森病).
- 使用MIMIC-IV和ECG-View数据集进行了内部和外部验证.
- 使用接收器运行特征曲线下的面积 (AUROC) 评估预测性能,并用Shapley值解释特征贡献.
主要成果:
- 在几种神经认知障碍方面取得了显著的预测性能.
- 痴呆症 (内部AUROC 0.848,外部AUROC 0.865) 和阿尔茨海默病 (内部AUROC 0.809,外部AUROC 0.863) 的表现最高.
- 功能重要性分析确定了已知的和新的ECG相关性.
结论:
- 电脑心电图显示出作为特定神经认知障碍的非侵入性,可解释的生物标志物的潜力.
- 这项研究表明了强大的跨队列性能,支持未来的临床应用.
- 这些发现为使用心电图早期发现和个性化监测神经认知障碍铺平了道路.
