机器学习用于直立倾斜试验结果的早期预测

背景：直立倾斜试验（HUTT）常用于诊断不明原因的晕厥。而目前的试验流程十分长。本研究旨在探讨使用血流动力学监测和机器学习技术实现晕厥患者 HUTT 结果的早期预测的可行性。

方法：从2016 年 6 月至 2019 年 11 月，共有 209 名受试者参与本研究。通过使用Finometer 设备（Finapres Medical Systems BV，荷兰）收集直立倾斜试验时的血流动力学信号。作者从试验最初的 18 分钟（仰卧 5 分钟，倾斜 13 分钟）提取了 4,313 个特征信号。使用遗传算法（GA）进行特征筛选，引入选择比（SR）来进一步分析遗传算法的结果。作者一共构建了四种算法用于预测直立倾斜试验的结果，并对这四种算法的性能做了对比。

结果：最大倾斜持续时间由35 min缩短至13 min，建立的SVR模型（向量回归模型）经5折交叉验证获得的AUC为0.94，灵敏度为0.86，特异度为0.82。通过遗传算法（GA）进行特征选择后，所有算法的性能都有所提高。

结论：与现有的诊断过程相比，作者所提出的方法是一种在缩短诊断时间有良好前景的方法。本研究中引入的遗传算法（GA）是一种有效的特征选择工具，可以提高模型性能。提出的 SR 指数有效地促进了模型的可用性和可解释性。

原文请点击：http://f.delicasz.com/Upload/2021/7/202107092300923.pdf