集成于物联网健康平台的机器学习解决方案用于心力衰竭风险分层
其他统计学
2025-07-29 v5 人工智能
摘要
慢性心力衰竭 (HF) 的管理在现代医疗保健中 presents significant 挑战，要求持续监测、早期检测急性期发作并制定个体化治疗策略。在本文中，我们提出一种基于机器学习 (ML) 技术的预测模型，用于识别处于 HF 风险的患者。这一模型是一种集成学习方法，一种修改后的堆叠技术，使用两种专门模型分别利用临床特征和心超声特征，然后由一个元模型组合这两种模型的预测。我们最初在真实数据集上评估了该模型，获得的结果表明它在 HF 风险分层方面表现良好。 Specifically，我们获得了高灵敏度 (95%)，确保几乎所有高风险患者都被识别。 Regarding accuracy，我们获得了 84%，在某些 ML 上下文中可视为中等，但鉴于我们优先识别 HF 风险患者（他们将被要求参与由本文部分作者之一所在的 PrediHealth 研究项目的远程监护计划），这一结果是可以接受的。初始发现还表明，基于 ML 的风险分层模型不仅可作为 PrediHealth 项目的有价值决策支持工具，也可为医疗专业人员提供帮助，以便及早干预和个体化患者管理。为了更好地理解我们预测模型的价值和潜力，我们还将其结果与使用三种基线模型得到的结果进行了对比。 preliminary 结果表明，我们的预测模型优于这些基线模型，后者平铺直叙地考虑特征，即不将它们按临床和心超声特征进行分组。
引用
@article{arxiv.2505.09619,
title = {Machine Learning Solutions Integrated in an IoT Healthcare Platform for Heart Failure Risk Stratification},
author = {Aiman Faiz and Claudio Pascarelli and Gianvito Mitrano and Gianluca Fimiani and Marina Garofano and Mariangela Lazoi and Claudio Passino and Alessia Bramanti},
journal= {arXiv preprint arXiv:2505.09619},
year = {2025}
}