用于检测晚期慢性肝病的心电图机器学习模型的训练与性能
研究基于电子健康记录匹配的12,930例晚期慢性肝病患者与64,577例对照,训练心电图机器学习二分类模型识别晚期慢性肝病。模型区分能力曲线下面积0.858(95%CI:0.850-0.866),在选定阈值下,晚期慢性肝病心电图被判为晚期慢性肝病的诊断比值比12.33(95%CI:11.16-13.63)。作者认为该模型在低资源地区识别晚期慢性肝病有很大前景。
要点
- 基于12导联心电图的机器学习模型可区分晚期慢性肝病与对照,曲线下面积0.858(95%CI:0.850-0.866)。
- 在选定阈值下,晚期慢性肝病心电图的诊断比值比为12.33(95%CI:11.16-13.63)。
- 作者认为该心电图机器学习模型在低资源地区识别晚期慢性肝病有很大前景。
核心结论
- 基于心电图(ECG)的机器学习(ML)模型在识别晚期慢性肝病(CLD)方面有很大前景,尤其适用于低资源地区。
研究设计与样本
- 研究纳入有12导联心电图的晚期慢性肝病队列,并与电子健康记录中的对照进行匹配。
- 机器学习模型被训练为二分类分类器。
- 队列包含12,930例晚期慢性肝病患者和64,577例对照。
主要发现
- 模型分类晚期慢性肝病的区分能力曲线下面积为0.858(95%CI:0.850-0.866)。
- 在选定阈值下,晚期慢性肝病心电图被判为晚期慢性肝病的诊断比值比为12.33(95%CI:11.16-13.63)。
关键数值与推荐
- 模型区分能力:曲线下面积0.858(95%CI:0.850-0.866)。
- 选定阈值下的诊断比值比:12.33(95%CI:11.16-13.63)。
临床怎么用
- 作者认为,基于心电图的机器学习模型在低资源地区识别晚期慢性肝病有很大前景。
局限性
- 原文未报告局限性。
以上解读依据论文摘要(全文未开放获取或许可不允许翻译转载)。
原文
INTRODUCTION: Building on prior results, we hypothesized that an electrocardiogram (ECG)-enabled machine learning (ML) model could be used to detect advanced chronic liver disease (CLD). METHODS: A cohort with CLD and 12-lead ECGs was matched with controls from electronic health records. A ML model was trained as a binary classifier. RESULTS: There are 12,930 patients with CLD and 64,577 controls in the cohort. The model's discriminative ability to classify CLD showed an area under the receiver-operating characteristic curve 0.858 (95% confidence interval: 0.850-0.866), and at the chosen threshold, CLD ECGs had 12 times higher odds of being classified as CLD (diagnostic odds ratio 12.33, 95% confidence interval: 11.16-13.63). DISCUSSION: An ECG-enabled ML model affords great promise in identifying advanced CLD in low resource areas.
引用
- Rattan P, Ahn JC, Chara BS, et al. Training and Performance of an Electrocardiogram-Enabled Machine Learning Model for Detection of Advanced Chronic Liver Disease. Am J Gastroenterol. 2025. PMID: 40146029. doi:10.14309/ajg.0000000000003433
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。