PT - JOURNAL ARTICLE
AU - Чжу, Фубао
AU - Ху, Донх
AU - Лю, Яньюнь
AU - Лу, Кун
AU - Хэ, Чжо
AU - Чжан, Хао
AU - Шэн, Яньхой
AU - Ян, Ронг
AU - Ли, Хинли
AU - Конг, Хианггинг
AU - Чжан, Хайфэнг
AU - Чжоу, Вейхуа
TI - Машинное обучение для диагностики легочной гипертензии
DP - 2023-01-16
TA - Кардиология
4100 - 10.18087/cardio.2020.6.n953
SO - https://www.cardiojournal.online/publication/2078
AB - 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.