基于机器学习的左室舒张功能不全评估模型研究

摘要：

目的:拟利用机器学习算法建立左室舒张功能不全的评估模型,为临床早期筛查左室舒张功能不全提供更加廉价、便捷的解决方案.方法:收集2017年1月至2018年12月就诊于河南省人民医院门诊或住院部处于心力衰竭Stag A或Stag B阶段的病人,共2347例,分为左室舒张功能不全组(1493例)、左室舒张功能正常组(854例),记录患者的心电图各项参数、年龄、性别、合并症等特征,对特征归一化预处理后,分别使用4种方法来构建左室舒张功能不全的评估模型,分别是:K最近邻、随机森林、前向神经网络、支持向量机,然后通过3折交叉验证的方式,测试和比较模型的性能.结果:基于支持向量机算法的评估模型显示出最好的性能,ROC曲线下面积为0.92(95％置信区间:90％～93％),用于评估左室舒张功能不全的敏感性和特异性分别为91％和78％.结论:基于机器学习算法的预测模型可作为评估左室舒张功能不全的早期筛查工具,进而能够早期做出干预,改善患者的预后.

关键词：机器学习、评估模型、左室舒张功能不全

所属期刊栏目：14

分类号：R54(心脏、血管（循环系）疾病)

在线出版日期：2019-12-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：45-47,73