在心电图解释中的临床专业知识的眼睛跟踪生物标志物:统计和机器学习证据
1Department of Electrical and Computer Engineering, King Abdulaziz University, Jeddah, Saudi Arabia.
Frontiers in medicine
|March 2, 2026
概括
在心电图 (ECG) 解释方面的专业知识可以使用眼睛跟踪来识别. 凝视行为指标准确地区分新手和专家临床医生,有助于医学教育和评估.
科学领域:
- 眼科和医学教育 眼科和医学教育
- 人与计算机的交互
- 医疗保健中的机器学习
背景情况:
- 解读心电图 (ECG) 是至关重要的,但具有挑战性,非专家经常犯错误.
- 眼睛跟踪技术提供了对视觉专业知识的洞察力,但其与机器学习进行技能分类的集成尚未得到充分探索.
研究的目的:
- 调查眼睛跟踪指标是否可以区分心电图 (ECG) 解释方面的专业水平.
- 应用机器学习模型来根据视觉行为对ECG解释专业知识进行分类.
主要方法:
- 使用Tobii Pro X2-60追踪器记录了62名参与者的眼睛运动,他们的心电图解释经验各不相同.
- 分析了眼睛跟踪指标 (例如,固定数,到第一次固定的时间) 和训练的机器学习模型 (随机森林,SVM,KNN).
- 将ECG细分为感兴趣区域 (AOI) 以进行详细的目光分析.
主要成果:
- 专家们显示,与新手相比,初始固定时间更快,再访问次数更少,表明视觉搜索模式更有效.
- 机器学习,特别是随机森林,在基于目光特征的专业知识水平分类方面实现了84%的准确性.
- 特定的心电图区域 (V1,V2,节奏带) 被确定为专业知识的关键预测指标.
结论:
- 眼睛跟踪参数可靠地区分了ECG解释方面的专业知识水平.
- 从视线获得的指标显示出在医学教育中评估和培训临床技能的替代指标的潜力.
