机器学习ECG分析：2023 UK Biobank心血管风险预测模型性能解读

Naderi 等人检查了 UK Biobank 并从心电图波形数据中选择了 23 个 ECG 变量，以及人口统计学数据（年龄、性别和种族）、身高、体重、BMI 和临床变量，其中包括血压（Naderi 等，2023）。对于 SVM 分类器，其敏感性为 72%，特异性为 81%，准确率为 81%，AUC 为 0.85。RF 分析显示准确率为 72%，敏感性为 74%，特异性为 72%，AUC 为 0.83（Naderi 等，2023）。Sabovčik 等人评估了 1407 名个体（平均年龄 51 岁，51% 为女性）。使用了大量临床和实验室变量（血细胞计数、血糖、血脂、肾素活性、瘦素、胰岛素、醛固酮和皮质醇）。从心电图记录中提取了 P 波、QRS 波群和 T 波的起始时间、幅度和间隔。SVM 的 ROC 曲线下的面积较高，为 0.783。