Тип публикации: доклад, тезисы доклада, статья из сборника материалов конференций
Конференция: Системы управления, информационные технологии и математическое моделирование; Омск; Омск
Год издания: 2024
Ключевые слова: внезапная сердечная смерть, аритмия, экг, холтеровское мониторирование, метод случайного леса, sudden cardiac death, arrhythmia, ecg, holter monitoring, random forest
Аннотация: В статье представлен анализ трех баз холтеровского мониторирования открытого репозитория PhisioNet. Целью работы является выявление различий в кардиокомплексах пациентов с развившейся внезапной смертью и пациентов с нелетальным аритмическим эпизодом по ЭКГ-записи. С помощью метода машинного обучения RandomForestClassifier были постПоказать полностьюроено 6 моделей, разделяющих кардиокомплексы по летальности исхода аритмии. Классификация осуществлена отдельно для комплексов синусовой, наджелудочковой и желудочковой этиологий. Обучение моделей осуществлялось в результате 5-кратной кросс-валидации, использовались оценки средних показателей метрик качества классификации - accuracy, precision и recall. Выделены 10 наиболее значимых с точки зрения классификации параметров ЭКГ-комплексов. Факт наличия этих параметров свидетельствует о предиктивном потенциале характеристик ЭКГ в вопросе снижения риска возникновения острых кардиогенных состояний, способных повлечь за собой исход в виде внезапной сердечной смерти. The article presents an analysis of three holter datasets from the open Physionet repository. The goal of the study is to identify differences in cardiac complexes between patients with sudden death and non-lethal arrhythmic episodes based on ECG recordings. The study used the RandomForestClassifier machine learning method. With the help of this method, six models were created to classify cardiac complexes based on the lethality of the arrhythmic episode. The classification was performed on three different etiologies of complexes, including sinus, supraventricular and ventricular. The models were trained using 5-fold cross-validation approach, their classification quality was assessed using such metrics as accuracy, precision and recall. The models allowed us to identify ten the most significant ECG features from the perspective of classification. These parameters indicate the potential for ECG markers in reducing the risk of acute cardiogenic events that can lead to sudden cardiac death.
Журнал: ИТ. Наука. креатив
Номера страниц: 396-402
Место издания: Москва