基于机器学习的左室舒张功能不全评估模型研究.pdf

基于机器学习的左室舒张功能不全评估模型研究 本研究旨在基于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。该研究收集了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）和左室舒张功能正常组（854例）。 机器学习算法在评估左室舒张功能不全中的应用 机器学习算法可以用于预测左室舒张功能不全，通过对心电图各项参数、年龄、性别、合并症等特征的分析，以建立评估模型。本研究使用了四种机器学习算法，即KNN、RF、MLP和SVM，对左室舒张功能不全的评估模型进行了构建和比较。 KNN算法（K-Nearest Neighbor） KNN算法是一种监督学习算法，通过计算测试样本与训练样本之间的相似度，来预测测试样本的类别。在本研究中，KNN算法用于构建左室舒张功能不全的评估模型，结果显示其性能优于其他三种机器学习算法。 RF算法（Random Forest） RF算法是一种集成学习算法，通过组合多棵决策树，来提高模型的泛化能力。在本研究中，RF算法用于构建左室舒张功能不全的评估模型，结果显示其性能优于KNN算法。 MLP算法（Multi-Layer Perceptron） MLP算法是一种神经网络算法，通过多层感知器构建网络，来预测测试样本的类别。在本研究中，MLP算法用于构建左室舒张功能不全的评估模型，结果显示其性能优于RF算法。 SVM算法（Support Vector Machine） SVM算法是一种监督学习算法，通过寻找最大-margin超平面，来预测测试样本的类别。在本研究中，SVM算法用于构建左室舒张功能不全的评估模型，结果显示其性能优于其他三种机器学习算法。 评估模型的性能比较 本研究使用3折交叉验证的方式，比较了四种机器学习算法在左室舒张功能不全评估模型中的性能。结果显示，基于SVM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：0.90-0.93），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以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。该研究为临床早期筛查左室舒张功能不全提供了一种更加廉价、便捷的解决方案。