早期诊断房颤复发：基于结构化与非结构化临床数据的大型表格模型方法
机器学习
2025-05-21 v1
摘要
背景：房颤（AF）是最常见的心律失常，与高病情负拔和死亡率相关。在快速演进的 AF 节律控制治疗时代，预测 AF 发作后复发可能至关重要，以实现最佳治疗方案，然而传统评分工具如 CHADS2-VASc、HATCH 和 APPLE 在预测 AF 复发方程有有限精度。此外，早期诊断研究常依赖编码后的电子健康记录（EHR）数据，这些数据可能包含错误和缺失信息。目标：本研究旨在评估在发作后 1 个月至 2 年之间预测 AF 复发的效果，比较传统临床评分、机器学习模型及我们提出的 LTM 方法。此外，另一个目标是开发一种集成结构化数据和非结构化数据以增强表格数据集质量的方法。方法：生成由结构化临床数据与经自然语言处理技术处理的免文本出院报告组合而成的表格数据集，减少错误和标注工作量。识别出 1,508 例确诊 AF 发作的患者，并在手动标注的测试集上评估模型。该方法包括对比传统临床评分和机器学习模型的 LTM。结果：我们提出的 LTM 方法在预测性能上取得最高成绩，超越了传统临床评分和机器学习模型。此外，性别和年龄偏差分析揭示了人口学差异。结论：结构化数据与免文本来源的集成导致了高质量数据集。研究结果凸显了传统临床评分在预测 AF 复发方面的局限性，突显了基于机器学习的方法的潜力，尤其是我们提出的 LTM 模型。
引用
@article{arxiv.2505.14643,
title = {Early Diagnosis of Atrial Fibrillation Recurrence: A Large Tabular Model Approach with Structured and Unstructured Clinical Data},
author = {Ane G. Domingo-Aldama and Marcos Merino Prado and Alain García Olea and Koldo Gojenola Galletebeitia and Josu Goikoetxea Salutregi and Aitziber Atutxa Salazar},
journal= {arXiv preprint arXiv:2505.14643},
year = {2025}
}