基于 30 秒心电图对心力衰竭住院风险的可解释估计
机器学习
2023-03-21 v2 计算机科学中的逻辑
定量方法
应用统计
摘要
医疗中的生存建模依赖可解释的统计模型；然而，其底层假设往往过于简化而不切实际。机器学习模型可估计更复杂的关系并带来更准确的预测，但不可解释。本研究表明，通过 30 秒单导联心电图信号估计充血性心力衰竭住院是可行的。使用机器学习方法不仅具有更强的预测能力，还提供具有临床意义的可解释性。我们训练了一个 eXtreme Gradient Boosting 加速失效时间模型，并利用 SHapley Additive exPlanations（SHAP）值解释各特征对预测的影响。我们的模型在 6,573 名患者的保留测试集上取得了 0.828 的一致性指数，以及一年 0.853、两年 0.858 的曲线下面积。这些结果表明，基于心电图的快速检测对于靶向治疗高风险个体至关重要。
引用
@article{arxiv.2211.00819,
title = {Interpretable estimation of the risk of heart failure hospitalization from a 30-second electrocardiogram},
author = {Sergio González and Wan-Ting Hsieh and Davide Burba and Trista Pei-Chun Chen and Chun-Li Wang and Victor Chien-Chia Wu and Shang-Hung Chang},
journal= {arXiv preprint arXiv:2211.00819},
year = {2023}
}
备注
4 pages, 4 figures