Un modèle d'apprentissage machine XGBoost détecte-t-il et classifie-t-il avec précision les anomalies ECG en temps réel ?
Un modèle d'apprentissage machine basé sur XGBoost peut classer avec précision les signaux ECG en 7 catégories en temps réel avec des scores F1 élevés à travers divers ensembles de données multinationales.
Les anomalies cardiaques figurent parmi les causes de décès les plus courantes dans le monde. Les patients sont souvent asymptomatiques jusqu'à ce qu'un événement fatal se produise, et même lorsqu'ils sont sous observation, du personnel formé est nécessaire pour identifier une anomalie cardiaque. Au cours des dernières décennies, des preuves de plus en plus nombreuses ont montré comment l'apprentissage machine peut être utilisé pour détecter de telles anomalies, grâce à la disponibilité des électrocardiogrammes (ECG) au format numérique. Les nouveaux développements technologiques ont permis d'exploiter ces données pour construire des modèles capables d'analyser les motifs de l'activité cardiaque et de repérer les anomalies. Dans ce travail, nous proposons une méthodologie novatrice pour extraire des caractéristiques liées aux ECG et prédire le type d'ECG enregistré en temps réel (moins de 30 millisecondes). Nos modèles s'appuient sur une collection de près de 40 000 ECG étiquetés par des cardiologues experts dans différents hôpitaux et pays, et ils sont capables de détecter 7 types de signaux : Normal, FA, Tachycardie, Bradycardie, Arythmie, Autres ou Bruit. Nous exploitons l'algorithme XGBoost, une méthode d'apprentissage machine de pointe, pour former des modèles atteignant des scores F1 hors échantillon dans la plage de 0.93 à 0.99. À notre connaissance, il s'agit du premier travail rapportant de hautes performances à travers hôpitaux, pays et standards d'enregistrement.
Bertsimas et al. (Mercredi,) ont étudié cette question.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: