使用决策树分析评估心电向量图和心电图参数在高效三级心脏病护理分配中的效能
信号处理
2024-12-17 v1 机器学习
摘要
使用真实世界数据评估GEH的心电图标记作为机器学习模型中的特征，与标准ECG特征和风险因素一起，在预测转诊至三级心脏病医院的患者结局方面的性能。被转诊到心脏病专科医院进行特定评估的患者进行了心电图和风险因素病史采集。在6个月、12个月和15个月的随访期间进行了一系列后续就诊，以检查心血管相关事件（死亡率或新的非致命性心血管事件（中风、心肌梗死、PCI、CS）），这些事件通过1年电话随访确定。首次就诊的心电图由专家测量，并使用Kors矩阵进行处理以获得全局电异质性（GEH）。将心电图测量值、GEH参数和风险因素结合起来，训练多个XGBoost决策树模型实例。每个实例针对AUCPR进行优化，选择AUC最高的实例作为模型的代表。比较获胜树模型中每个参数的重要性，以更好地理解使用GEH参数带来的改进。GEH参数对该人群具有统计显著性，尤其是QRST角和SVG。结合三类参数的模型表现最佳。研究结果表明，使用VCG特征可以更准确地识别需要三级护理的患者，从而优化资源分配并改善患者结局。此外，决策树模型的透明度和识别关键特征的能力使其成为临床决策的有价值工具，并与现有临床实践良好契合。
引用
@article{arxiv.2412.11839,
title = {Evaluating the Efficacy of Vectocardiographic and ECG Parameters for Efficient Tertiary Cardiology Care Allocation Using Decision Tree Analysis},
author = {Lucas José da Costa and Vinicius Ruiz Uemoto and Mariana F. N. de Marchi and Renato de Aguiar Hortegal and Renata Valeri de Freitas},
journal= {arXiv preprint arXiv:2412.11839},
year = {2024}
}