17 Чжу Фубао Ху Донх Лю Яньюнь Лу Кун Хэ Чжо Чжан Хао Шэн Яньхой Ян Ронг Ли Хинли Конг Хианггинг Чжан Хайфэнг Чжоу Вейхуа Машинное обучение легочная гипертензия логистическая регрессия интегрированная модель 2020 2023-01-16 10.18087/cardio.2020.6.n953 Кардиология Цель Целью данной работы является изучение возможности использования машинного обучения для прогнозирования течения легочной гипертонии (ЛГ), как прекапиллярной так и посткапиллярной форм.Методы В исследование были включены двести семьдесят пять пациентов с ЛГ, которым была выполнена эхокардиография и катетеризация правых отделов сердца. Среднее давление в легочной артерии, давление заклинивания легочной артерии, измеренное при катетеризации правого сердца, использовались в качестве критериев для оценки прекапиллярной и посткапиллярной ЛГ. Тринадцать эхокардиографических показателей были использованы для прогнозирования прекапиллярной или посткапиллярной ЛГ. Девять моделей машинного обучения были использованы для прогнозирования. Точность (ACC) использовалась в качестве основного эталонного стандарта, эффективность модели также оценивалась при помощи следующих показателей: площадь под кривой (AUC), специфичность (Sp), чувствительность (Se), положительное предсказательное значение (PPV), отрицательное предсказательное значение (NPV), отношение правдоподобия положительного результата (PLR) и отношение правдоподобия отрицательного результата (NLR) и другие протоколы оценки.Результаты Сравнивая ACC, полноту (Recall) и другие метрики оценки качества модели для классификации по девяти моделям машинного обучения, удалось обнаружить, что модель машинного обучения может эффективно идентифицировать прекапиллярную ЛГ и посткапиллярную ЛГ. LogitBoost показал лучшие результаты в девяти моделях машинного обучения (ACC = 0,87, Recall = 0,83, F1score = 0,85, AUC = 0,87, Se = 0,90, NPV = 0,88, PPV = 0,87, PLR = 8,61 и NLR = 0,18, AUC = 0,83), он показал хорошие результаты при определении прекапиллярной ЛГ (ACC = 0,83, частота повторного вызова = 0,87, F-оценка = 0,85); посткапиллярной ЛГ (ACC = 0,90, Recall = 0,88, F-мера = 0,89). Дерево решений (ACC = 0,75, Recall = 0,77, F1 мера = 0,78, AUC = 0,75, Se = 0,72, NPV = 0,78, PPV = 0,77, PLR = 3,66 и NLR = 0,29, AUC = 0,79) показали худшие результаты, а точность остальных семи моделей была больше 0,82.Заключение Результаты классификации девяти моделей машинного обучения в данной работе показывают, что метод машинного обучения может эффективно идентифицировать прекапиллярную и посткапиллярную формы ЛГ. По сравнению с медицинским диагнозом, методы машинного обучения могут различать прекапиллярную и посткапиллярную формы ЛГ в неинвазивных условиях по данным эхокардиографии. https://www.cardiojournal.online/publication/2078 https://www.cardiojournal.online/files/2188