.png){kind=icon}
返回
Machine Learning Classification of Pacemaker Low-Longevity Status Using Device Interrogation Reports
.png){kind=icon}
PRE
AI
DOI：10.3390/app16105134.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
起搏器发生器更换在临床上仍然具有重要意义，因为电池耗尽会影响计划更换程序的时间及其相关程序风险。本研究探讨了常规可用的起搏器询问导出的遥测数据能否分类制造商估计寿命状态低下的设备，定义为剩余设备寿命低于12个月。共分析了39例美敦力起搏器询问快照，包括11例单腔、21例双腔和7例三腔CRT-P设备。评估了四种机器学习分类器，即朴素贝叶斯、HistGradientBoosting、逻辑回归和随机森林，使用留一交叉验证作为主要的内部验证策略，并通过聚合的交叉验证外预测计算bootstrap 95%置信区间。本研究侧重于应用而非算法，重点在于透明比较和解释针对起搏器特定低寿命分类的成熟分类器。逻辑回归取得了最强的留一交叉验证性能，ROC-AUC为0.941，准确率为0.872，精确率为0.958，召回率为0.852，F1得分为0.902。随机森林也表现出良好的性能，ROC-AUC为0.855，F1得分为0.873。简约基线分析显示，植入月数加上电池电压达到ROC-AUC 0.883，准确率0.846，F1得分0.875，接近完整的逻辑回归模型。SHAP分析确定了植入月数、电池电压和右心室捕获阈值是最具影响力的预测因子。这些发现表明，常规询问变量可以分类制造商估计的低寿命状态，但完整的多变量机器学习相对于简单预测因子的增量效益有限。由于终点基于制造商估计的寿命而非观察到的临床电池故障或发生器更换时间，因此在临床应用之前需要进行更大规模的长效和多制造商验证研究。
Keyword:
pacemaker
battery longevity
machine learning
cross-validation
telemetry
generator replacement
clinical decision support
remote monitoring
