機械学習アプローチを使用した左心室肥大の心電図診断精度の改善

心電図（ECG）は、左心室肥大（LVH）を予測するために使用される最も一般的なツールです。ただし、低精度（<60％）と感度（30％）によって制限されています。機械学習（ML）C5.0アルゴリズムは、ECG-LVH表現型を確立しながら、心エコー検査（ECHO）によりLVHの予測でECGを最適化できるという仮説を示しました。ECHOを標準診断ツールとして使用してLVHを検出し、ECHO-LVHで見つかったECG異常を測定しました。432人の患者を含めました（パワー= 99％）。これらのうち、202人の患者（46.7％）がエコー-LVHで、240人（55.6％）が男性でした。幅広い心室質量とエコーLVHの重症度を、軽度（n = 77、38.1％）、中程度（n = 50、24.7％）および重度（n = 75、37.1％）に分類しました。データはトレーニング/テストセット（80％/20％）に分割され、ECG測定にロジスティック回帰分析を適用しました。ECHO-LVHを識別する最良の機能を備えたロジスティック回帰モデルがC5.0 mLアルゴリズムに導入されました。複数の意思決定ツリーを作成し、最高のパフォーマンスでツリーを選択しました。結果として得られた5レベルのバイナリ決定ツリーは、6つの予測変数のみを使用し、71.4％（95％CI、65.5-80.2）の精度、79.6％、特異性、53％、66.6％の正の予測値、陰性69.3％の予測値。内部検証の平均精度は71.4％（64.4-78.5）に達しました。結果は2番目の検証グループで再現され、同様の診断精度が得られました、73.3％（95％CI、65.5-80.2）、感度（81.6％）、特異性（69.3％）、正の予測値（56.3％）、および陰性予測値（88.6％）。Romhilt-Estesマルチレベルスコアを計算し、モデルと比較しました。Romhilt-Estesシステムの精度は、61.3％（CI95％、56.5-65.9）の精度、23.2％の感度、外部検証グループで同様の結果で94.8％の特異性がありました。結論として、C5.0 mLアルゴリズムは、ECHO-LVHの検出における現在のECG基準の精度を上回りました。私たちの新しい基準は、高リスクの患者を特定し、Echo-LVHの電気生成に関する洞察を提供するECG異常にかかっています。

The electrocardiogram (ECG) is the most common tool used to predict left ventricular hypertrophy (LVH). However, it is limited by its low accuracy (<60%) and sensitivity (30%). We set forth the hypothesis that the Machine Learning (ML) C5.0 algorithm could optimize the ECG in the prediction of LVH by echocardiography (Echo) while also establishing ECG-LVH phenotypes. We used Echo as the standard diagnostic tool to detect LVH and measured the ECG abnormalities found in Echo-LVH. We included 432 patients (power = 99%). Of these, 202 patients (46.7%) had Echo-LVH and 240 (55.6%) were males. We included a wide range of ventricular masses and Echo-LVH severities which were classified as mild (n = 77, 38.1%), moderate (n = 50, 24.7%) and severe (n = 75, 37.1%). Data was divided into a training/testing set (80%/20%) and we applied logistic regression analysis on the ECG measurements. The logistic regression model with the best ability to identify Echo-LVH was introduced into the C5.0 ML algorithm. We created multiple decision trees and selected the tree with the highest performance. The resultant five-level binary decision tree used only six predictive variables and had an accuracy of 71.4% (95%CI, 65.5-80.2), a sensitivity of 79.6%, specificity of 53%, positive predictive value of 66.6% and a negative predictive value of 69.3%. Internal validation reached a mean accuracy of 71.4% (64.4-78.5). Our results were reproduced in a second validation group and a similar diagnostic accuracy was obtained, 73.3% (95%CI, 65.5-80.2), sensitivity (81.6%), specificity (69.3%), positive predictive value (56.3%) and negative predictive value (88.6%). We calculated the Romhilt-Estes multilevel score and compared it to our model. The accuracy of the Romhilt-Estes system had an accuracy of 61.3% (CI95%, 56.5-65.9), a sensitivity of 23.2% and a specificity of 94.8% with similar results in the external validation group. In conclusion, the C5.0 ML algorithm surpassed the accuracy of current ECG criteria in the detection of Echo-LVH. Our new criteria hinge on ECG abnormalities that identify high-risk patients and provide some insight on electrogenesis in Echo-LVH.