科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的介绍一种基于住院患者心电图及临床特征开发的机器学习模型, 用于诊断反射性晕厥。方法入选2018年6月20日至2022年5月11日于天津医科大学第二医院心脏科住院治疗的晕厥患者, 经过临床评估和调查研究获得相关基线资料。确定了晕厥患者的15个特征, 并进行特征排序。采用不同的机器学习方法构建反射性晕厥的诊断模型, 如Logistic回归分析、感知机、支持向量机、决策树、随机森林和K最近邻算法等方法。结果最终入选410例患者, 首次晕厥事件的年龄(64.5±14.6)岁, 其中男236例(236/410, 57.6%), 65例患者确诊为反射性晕厥。纳入特征重要性排序结果位于前4位的特征构建模型, 随机森林模型诊断反射性晕厥的性能最佳, 曲线下面积为0.644, 精确率(Precision)、召回率(Recall)和F1得分(F1 score)分别为0.794、0.849和0.791。结论人工智能算法能够识别反射性晕厥, 可作为一种经济有效的筛查工具。
