基于机器学习算法评估心脏超声对医护人员队列中慢性疲劳综合征诊断价值的初探

对我院2016年1月至2018年1月127例健康体检医护人员通过双盲法进行慢性疲劳综合征(chronic fatigue syndrome,CFS)相关问卷采集并收集体检及心脏超声数据,建立回归模型,采用回归模型或交叉验证进行内部验证,并根据机器学习XGBoost提供的诊断模型增益值评估心脏超声指标在CFS诊断中的价值.结果 显示,127例医务人员体检数据进行机器学习预计算,获得的人工智能模型受试者95％CI为0.8816 (0.864 1,0.912 7),工作特征曲线(AUC)为0.902 1;非-CFS与CFS病人敏感性(0.618 9、0.892 1)、准确性(0.892 1、0.618 9)、阳性预测值(0.924 2、0.835 6)、阴性预测值(0.835 6、0.924 2)、流行率(0.856 4、0.143 6)、检测率(0.841 8、0.0745)、检测流行率(0.910 8、0.089 2).提示基于心脏超声等客观体检指标的快速诊断模型有助于在临床诊疗及体检过程中优化检查项目、快速区分CFS人群,更好地进行健康指导及后续医疗干预.