论文部分内容阅读
目的探讨基于动态心电指标建立的支持向量机(SVM)模型对急性心肌梗死(AMI)后心脏性死亡的预警作用。方法入选2009年1~12月住院的AMI患者226例,入院一周记录动态心电图并获取心率变异性(HRV)、心率减速力(DC)和心率加速力(AC)等心电指标。建立基于这些心电指标特征的SVM模型,依据随访结果进行机器学习及分类研究。其分类结果与左室射血分数(LVEF)、R-R间期标准差(SDNN)和DC进行比较分析。采用受试者操作特征曲线下面积(AUC)来评价各指标的预警能力,并进行多因素Logistic回归分析。结果最后共208例纳入分析,其中男性150例,女性58例,平均年龄60岁。在平均随访28个月期间内,12例发生心脏性死亡。通过特征选择建立了三个最优SVM模型:A、5维特征(5种HRV时域指标);B、6维特征(4种HRV时域指标+DC+AC);C、8维特征(5种HRV时域指标+DC+AC+平均心率)。三个模型的AUC值分别为0.890、0.888和0.858,明显高于LVEF、SDNN和DC的0.742(P<0.01)、0.793(P<0.05)和0.740(P<0.01)。多因素逐步Logistic回归分析结果显示,在校正了临床及心电变量后,5维特征SVM模型的比值比(OR)为30.291(3.664~250.424)。结论基于动态心电指标建立的SVM模型对AMI后发生的心脏性死亡有较好的预警作用,其预测能力优于传统预警工具LVEF、SDNN和DC。