典型文献
人工智能心电图及患者特征诊断反射性晕厥
文献摘要：
目的:介绍一种基于住院患者心电图及临床特征开发的机器学习模型，用于诊断反射性晕厥。方法:入选2018年6月20日至2022年5月11日于天津医科大学第二医院心脏科住院治疗的晕厥患者，经过临床评估和调查研究获得相关基线资料。确定了晕厥患者的15个特征，并进行特征排序。采用不同的机器学习方法构建反射性晕厥的诊断模型，如Logistic回归分析、感知机、支持向量机、决策树、随机森林和K最近邻算法等方法。结果:最终入选410例患者，首次晕厥事件的年龄(64.5±14.6)岁，其中男236例(236/410，57.6%)，65例患者确诊为反射性晕厥。纳入特征重要性排序结果位于前4位的特征构建模型，随机森林模型诊断反射性晕厥的性能最佳，曲线下面积为0.644，精确率(Precision)、召回率(Recall)和F1得分(F1 score)分别为0.794、0.849和0.791。结论:人工智能算法能够识别反射性晕厥，可作为一种经济有效的筛查工具。
文献关键词：
晕厥;人工智能;诊断;心电图;临床特征
中图分类号：
作者姓名：
李歆慕;章德云;高欣怡;李秀莲;梁燕;刘文玲;洪申达;刘彤
作者机构：
天津市心血管病离子与分子机能重点实验室 天津医科大学第二医院心脏科 天津心脏病学研究所，天津 300211;安徽心之声医疗科技有限公司，合肥 230000;北京大学人民医院心血管内科，北京 100044;北京大学健康医疗大数据国家研究院，北京 100191
文献出处：
引用格式：
[1]李歆慕;章德云;高欣怡;李秀莲;梁燕;刘文玲;洪申达;刘彤-.人工智能心电图及患者特征诊断反射性晕厥)[J].中华心律失常学杂志,2022(05):418-423
A类：
B类：
心电图,患者特征,反射性晕厥,住院患者,机器学习模型,天津医科大学,心脏科,住院治疗,临床评估,特征排序,机器学习方法,诊断模型,感知机,决策树,最近邻算法,中男,特征重要性,重要性排序,果位,特征构建,构建模型,随机森林模型,精确率,Precision,召回率,Recall,score,人工智能算法,经济有效,筛查工具
AB值：
0.303859
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
