XGBoost与神经网络在LVH检测中的性能差异：2023最新临床研究解析

刘等人使用了一个反向传播神经网络，研究了952名个体，主要是来自某军事医院的男性，基于24个特征，这些特征包括从ECG信号输出中自动获取的R波峰和S波谷的振幅。他们的敏感性和特异性的组合非常高（Liu et al., 2023），这看起来不合理高。他们用于左心室肥厚（LVH）的模型具有97%的敏感性、96%的特异性和0.961的AUC值。这一发现可能与LVH病例数量较少及其节段分割方法有关，在使用Pan-Tompkins技术增加ECG数据量以“提高检测性能”之前（Liu et al., 2023）。 极端梯度提升（XGBoost）是一种结合决策树（DTs）的集成神经网络（ENN），通过在前一棵树产生的损失梯度上训练决策树来实现梯度提升（Chen & Guestrin, 2016）。XGBoost能够提高预测准确性（Chen & Guestrin, 2016）。XGBoost利用梯度提升算法在识别后来发生心肌梗死的个体方面提高了预测性能（Moore & Bell, 2022）。Sammani等人开发了一种用于超声心动图检测到的LVH的算法，该算法利用了XGBoost和多种临床因素（年龄、收缩压和体表面积）以及超过20个ECG数据变量（P、QRS和T波轴、PR、QRS、QT和QTc间期，以及三个不同ECG导联中的P、Q、R、S和T波峰值振幅）（Sammani et al., 2022）。XGBoost是唯一使用的机器学习算法（Sammani et al., 2022）。他们报告了32%的敏感性、99%的特异性、32%的阳性预测值（PPV）和68%的阴性预测值（NPV）（Sammani et al., 2022）。在某些情况下，XGBoost方法的性能与三种不同的机器学习方法（逻辑回归、支持向量回归和随机森林）进行了比较。