随机森林在LVH分类中的性能分析：2023 UK Biobank多中心研究验证

在UK Biobank数据库中，使用RF方法对LVH进行分类的敏感性为74%，特异性为72%，准确率为72%，AUC为0.83（Naderi等，2023）。在Kwon等的研究中，RF方法的敏感性为40%，特异性为94%，准确率为85%，AUC为0.83（Kwon等，2020）。Lim等检查了17,310名年龄在16至23岁的男性军人的ECG和超声心动图（Lim等，2021）。他们的临床变量包括体重、身高、体脂百分比和收缩压。他们的ECG变量包括QT间期、平均QRS持续时间和I导联的R波（Lim等，2021）。所有变量的AUC为0.826，仅ECG变量的AUC为0.824（Lim等，2021）。Sabovčik等评估了1407名个体（平均年龄51岁，51%为女性），这些个体是从普通人群中随机招募的，其中19%通过超声心动图确定存在LV质量（Sabovčik等，2021）。研究使用了大量的临床和实验室变量（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）。从心电图中提取了P波、QRS复合波和T波的起始时间、幅度和间期。他们使用了五种标准的机器学习方法：极端梯度提升（XGBoost）、AdaBoost、RF、SVM和LR，基于67个临床、生化和ECG变量构建分类器。RF分类器的ROC曲线下面积较高。他们的RF方法的敏感性为45%，特异性为83%，准确率为68%，阳性预测值为63%，阴性预测值为88%，AUC为0.716。