基于机器学习分类判断算法构建心力衰竭疾病分期模型

摘要

背景：早期发现心力衰竭及心力衰竭分期的正确诊断是获得良好治疗效果的基础，但由于缺乏简单有效的心力衰竭分期诊断模型，使临床诊断心力衰竭较为困难，导致心力衰竭的确诊率和控制率都比较低。目的：采用基于机器学习的分类判断算法，建立心力衰竭分期模型，提高心力衰竭诊断和分期准确度。方法：选择心力衰竭患者和健康体检者共194例，以美国心脏病协会和美国心脏协会分期为依据，采集与心力衰竭分期密切相关的特异性临床特征参数指标，对参数进行筛选，参考专家的临床确诊结果，采用Adaboost模型和SVM模型训练心力衰竭诊断和分期模型，获得诊断模型。结果与结论：采用每搏输出量、心输出量、左室射血分数、左房内径、左室收缩末内径、N末端B型利钠肽原、心率变异性等指标，Adaboost模型的灵敏度很高，达到了100%，而特异性为94.4%；同时SVM模型也具有良好的灵敏度和特异性，分别为86.5%和89.4%。Adaboost分类模型可准确诊断心力衰竭症状，准确率达到89.36%。而在进一步确诊为心力衰竭的基础上，SVM 分类模型能对心力衰竭的严重程度进行有效分期，B分期和C分期的准确率分别达到了86.49%和81.48%。说明结合Adaboost和SVM两种机器学习模型，能为心力衰竭的诊断及分期提供较准确的模型。