机器学习如何提升LVH诊断？RF与SVM算法对比研究分析

Angelaki 等人评估了 528 名有和无原发性高血压但没有其他心血管疾病迹象的患者（Angelaki 等，2021）。通过超声心动图评估的左室肥厚（LVH）在 16.8% 的病例中存在。使用了临床变量。每个导联的 ECG 波形测量包括峰值电压、QRS 波群面积、平面额面 QRS-T 角度和校正的 QT 间期（QTc）。使用了一种由一组去相关的决策树（DTs）组成的随机森林（RF）机器学习算法。他们计算了 SHapley Additive exPlanations（SHAP）。该程序利用合作博弈理论来计算显示预测特征分布的值。高血压、年龄和体重指数（BMI）是预测 LVH 存在的最重要因素。QRS 波群面积在所有 12 个导联上的总和、平面额面 QRS-T 角度和 QTc 间期等在预测风险方面也非常重要。对于 LVH 的识别，他们的模型达到了 87% 的准确率、75% 的特异性和 97% 的敏感性，受试者工作特征曲线（ROC）下的面积（AUC/ROC）为 0.91（Angelaki 等，2021）。然而，部分患者并没有 LVH，而是存在向心性重构（Angelaki 等，2021）。我们使用了一种支持向量机（SVM）算法，增加了三个临床变量：年龄、性别和高血压的存在，并发现这些因素提高了诊断性能，即提高了诊断准确性，尤其是在男性中加入年龄后的表现最佳（准确率 0.959，敏感性 0.556，特异性 1.00）。