基于单通道心电图(ECG)频谱分析与机器学习算法的中重度主动脉瓣狭窄及反流筛查模型:Balanced Random Forest与XGBoost研究

《Frontiers in Cardiovascular Medicine》:A screening method for aortic valve disease based on spectral analysis of a single-channel electrocardiogram using machine learning algorithms

【字体: 大 中 小 】 时间:2026年10月08日 来源:Frontiers in Cardiovascular Medicine 3.0

编辑推荐:

  背景:鉴于主动脉心脏疾病的高患病率及早期诊断的重要性,需要开发一种简单的筛查方法,以基于可用生物信号识别显著主动脉心脏疾病,其中一种是单通道心电图(single-channel electrocardiogram, ECG)。目的:研究人员旨在开发一种机器学习

  
背景:鉴于主动脉心脏疾病的高患病率及早期诊断的重要性,需要开发一种简单的筛查方法,以基于可用生物信号识别显著主动脉心脏疾病,其中一种是单通道心电图(single-channel electrocardiogram, ECG)。目的:研究人员旨在开发一种机器学习(machine learning, ML)算法,用于分析单通道心电图,以识别中至重度主动脉瓣狭窄(aortic stenosis, AS)和主动脉瓣反流(aortic regurgitation, AR)患者,以及显著主动脉瓣疾病。方法:患者(n=2,503)接受超声心动图(echocardiography, ECHO)检查,并使用便携式心电图机进行单通道 I 导联 ECG 记录。超声心动图显示中至重度 AS 者62例(2.4%),中至重度 AR 者157例(6.3%)。使用先进信号处理和机器学习技术进行单通道 ECG 分析。结果:两个模型在相同10折分组交叉验证框架下评估。检测中或重度 AS 时,Balanced Random Forest诊断准确度(accuracy)为0.650(灵敏度(sensitivity, Se)57.9%,特异度(specificity, Sp)65.0%),XGBoost为0.662(Se 46.4%,Sp 66.5%)。检测中或重度 AR 时,Balanced Random Forest准确度为0.726(Se 60.5%,Sp 73.3%),XGBoost为0.712(Se 61.7%,Sp 71.9%)。检测显著主动脉瓣疾病时,Balanced Random Forest准确度为0.724(Se 61.1%,Sp 73.4%),XGBoost为0.691(Se 67.8%,Sp 69.2%)。结论:结果表明,使用现代信号处理和机器学习技术分析的单通道 ECG 参数在筛查显著主动脉心脏疾病方面具有良好诊断准确度和潜在适用性。临床试验注册:https://clinicaltrial.gov/,标识符 NCT07099417。
研究背景与目的

主动脉瓣疾病是瓣膜性心脏病(valvular heart disease, VHD)中常见且严重的形式之一。发达国家VHD患病率约2.5%,其中主动脉瓣狭窄(aortic stenosis, AS)和二尖瓣反流最常见,其次为主动脉瓣反流(aortic regurgitation, AR)、二尖瓣狭窄、二尖瓣脱垂和原发性三尖瓣反流。AS在65岁及以上人群中患病规模较大,预计到2030年进一步增加。AR在Framingham研究中患病率为4.9%,中至重度AR占0.5%,其患病率和严重度随年龄增加,重度AR合并左心室(left ventricular, LV)功能不全者年死亡率可达25%。心脏病常在晚期才被检出,听诊并不总能发现心脏病,症状特异性也低,听诊检测AS和AR的敏感性不足以支持有效筛查。超声心动图(echocardiography, ECHO)是瓣膜性心脏病的主要诊断工具,但费时、费力、昂贵,难以作为大规模筛查工具。因此,需要开发可负担的大规模筛查方法。单通道心电图(single-channel electrocardiogram, ECG)可由手表、手机等便携设备记录,但常规形式不能检测瓣膜性心脏病。研究人员旨在开发人工智能赋能的单通道心电图(AI-ECG)处理算法,作为显著主动脉瓣疾病(中至重度AS和/或AR)的筛查工具。

关键技术方法概述

本研究为前瞻性、多中心、观察性、非随机研究,队列来自Sechenov University临床医院第1号门诊和心内科,以及莫斯科市临床医院第1号,纳入年龄≥18岁患者,最终2503例。受试者接受经胸ECHO和CardioQVARK便携式心电图机单通道I导联静息1 min ECG。采用GE VIVID E95和GE VIVID-7评估AS/AR。数字ECG分析产出超过200个参数,候选特征54个。建模采用Balanced Random Forest和XGBoost,10折分组交叉验证(GroupKFold),80/20 GroupShuffleSplit,SelectFromModel特征选择,Youden指数选阈值,嵌套交叉验证,评价AUC-ROC、PR-AUC、Se、Sp、阳性预测值(positive predictive value, PPV)、阴性预测值(negative predictive value, NPV),并评估Se≥90%操作点。统计使用Python 3.10及pandas、numpy、scipy、scikit-learn、statsmodels、missingno、xgboost、snfpy。

研究结果

研究人群(Study population):研究纳入2576例,排除73例,其中ECG质量不满意59例、ECHO质量不满意9例、新发完全性左束支传导阻滞5例,最终2503例。中至重度AS为62例(2.4%),中至重度AR为157例(6.3%)。队列年龄67.6±15.4岁,男性1267例(50.6%),吸烟599例(23.9%),糖尿病440例(17.6%),高血压1870例(74.7%),缺血性心脏病535例(21.4%),ECG记录时房颤126例(5.0%),心肌梗死254例(10.1%)。心衰按NYHA分级包括I–IV级。轻、中、重度MR分别为1480例、520例、40例。LV射血分数低于男性52%或女性54%者306例(12.2%),低于40%者102例(4.1%)。训练和测试组仅在关键临床特征无统计学显著差异时采用交叉验证分析。

平衡随机森林模型(Balanced random forest model,10-fold group CV):通过10折GroupKFold评估,训练子集为2239–2253例,验证子集为248–251例,确认无患者标识泄漏。AUC-ROC范围为0.675–0.746,表明模型具有中等判别能力。最高值见于复合目标“显著主动脉瓣疾病”(AUC-ROC=0.746±0.045)。在Youden最优阈值下,三个目标变量的Se为0.579–0.611,Sp为0.650–0.734。中至重度AS的Se为0.579±0.342,该目标最罕见;复合目标Se为0.611±0.135。NPV在所有目标中均高(0.956–0.986),即使模型结果为阴性,也可较有信心排除病理。Youden阈值范围为0.505–0.517。固定Se≥90%的操作点下,Se为0.897–0.909,Sp为0.317–0.334,NPV为0.976–0.992,即以增加确诊性ECHO转诊率为代价减少漏诊。

XGBoost模型:采用相同的10折分组交叉验证。AUC-ROC范围为0.634–0.741,表明中等判别能力。最高值见于“主动脉瓣反流”和复合目标“显著主动脉瓣疾病”(AUC-ROC均为0.741)。AS目标表现最低且最不稳定(AUC-ROC=0.634±0.155;Se=0.464±0.288,Sp=0.665±0.146),10个验证折中有2折低于随机水平(AUC 0.307和0.430),与AS患病率低(2.4%)及梯度提升对小型阳性类敏感有关。AR的Se=0.617±0.199,Sp=0.719±0.095;复合目标Se=0.678±0.161,Sp=0.692±0.076。NPV在所有目标中均高(0.962–0.982)。固定Se≥90%时,Se为0.884–0.915,Sp为0.289–0.379,NPV为0.977–0.992。算法经一定修改后,尤其针对ECG信号采样率,可应用于其他单通道ECG记录仪数据。

讨论总结与结论翻译

讨论指出,近期多项研究基于人工智能分析ECG,显示其在筛查和诊断常见临床显著心脏异常方面具有潜力。已有研究使用人工智能赋能的12导联ECG算法检测未诊断重度AS,并在无症状患者中导致经导管主动脉瓣置换及围术期管理改变。另一项258,607例患者研究发现,12导联ECG人工智能分析可识别中至重度AS,AUC为0.85,Se为78%,Sp为74%,准确度为74%;2025年该模型在亚洲人群中测试,检测中至重度AS的AUC为0.85,Se为0.83,Sp为0.65,PPV为0.37,NPV为0.94,准确度为68.29%。另一项国际研究显示,AI-ECG模型可预测未来显著MR、AR和TR。上述文章均分析12导联ECG,而本研究使用单导联ECG。

本研究开发并验证了Balanced Random Forest和XGBoost两种模型,用于基于人口学和心电图参数预测主动脉瓣病理。两模型在相同10折分组交叉验证协议和无泄漏阈值选择下评估,均表现出中等且相近的判别能力。AUC-ROC在两模型和三个目标中为0.634–0.746,同一目标两算法差异不超过0.04,处于折间变异范围内。两模型最高性能均见于复合目标“显著主动脉瓣疾病”(Balanced Random Forest AUC-ROC=0.746,XGBoost=0.741),与该复合阳性类规模较大一致。Balanced Random Forest在最罕见的中至重度AS上跨验证折表现更一致,而XGBoost在该目标上折间变异更大,并有两折低于随机判别。两模型的高NPV(取决于目标和阈值策略为0.956–0.992)允许在阴性结果时较有信心排除显著疾病,对优化患者管理有临床意义。附加临床共病指标(心肌梗死史和任何程度贫血)未显著影响质量指标,也未进入最终前10位显著预测因子,提示既往梗死和贫血的血流动力学后果可能已间接反映在模型使用的高频ECG参数(QRSE、Sbeta、HFNoise)和节律变异性指标(SDNN、RR)中。

研究人员认为,所开发机器学习模型对显著主动脉瓣病理具有中度但统计学显著的预测能力。综合而言,采用当前超参数和10折交叉验证的Balanced Random Forest模型结果更一致,推荐使用。高NPV(>96%)使这些模型有望用于预诊断排除和患者路径优化。但模型目前主要依赖患者年龄,显示风险与衰老直接相关。为建立更稳健算法并改善PPV,未来研究宜增加训练集阳性类患病率,并整合具有独立预后价值的其他临床和实验室特征。本研究样本中显著主动脉瓣疾病发生率与人群研究相似,支持将所得数据用于进一步研究。局限性包括:严重主动脉瓣疾病患者相对较少;本研究未在外部组中测试模型以评估泛化性,额外测试正在计划中;仅使用一家制造商的单通道ECG设备。两模型采用相同10折分组交叉验证,可直接比较,但中至重度AS低患病率(2.4%)导致两模型在该目标上折间变异较大,且PPV在所有目标和两模型中均低(0.032–0.211),这是低疾病患病率的预期结果,而非模型特异性限制;独立队列外部验证将有助于确定这些估计的稳定性。

结论翻译:使用机器学习模型进行的单导联心电图分析表明,单导联心电图在识别中至重度主动脉瓣疾病患者方面具有潜力,诊断准确度为80%–82%。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号