基于脉冲神经网络的心电图特征估计实验室值

实验室检测值是医学诊断的基石，但其存在慢响应时间、高成本以及仅提供单一时间点信息的局限。基于非侵入性数据（如心电图，ECG）的实时估计实验室值将因此成为医疗监测的重大突破。尽管潜力巨大，但该领域仍相对不受关注。本研究使用公开数据集（MIMIC-IV-ECG）探讨了从 ECG 特征和患者人口统计信息推断实验室值的可行性，使用基于树的模型（XGBoost）。我们将预测任务定义为是否将实验室值归类为低或高异常值的二元问题。我们使用 AUROC 评估模型性能。我们的发现表明，针对不同器官系统的实验室值估计显示出有前景的效果。尽管需要进一步的研究和验证来充分评估该方法的临床实用性和可推广性，但我们的发现为使用 ECG 数据估计实验室值的数以计量的未来研究奠定了基础。此类进展有望通过提供更快、非侵入且更具成本效益的患者监测手段，彻底变革预测性医疗应用。