成人肥胖心血管风险分层的多模态机器学习框架
本研究开发了一种创新的多模态机器学习框架,整合心电图非线性特征与多种医学指标,用于成人肥胖患者的心血管风险精准分层。在巴西福塔莱萨开展的53名患者横断面研究中,该框架通过嵌套留一交叉验证方法,成功区分弗雷明汉心血管风险量表的低、中、高风险组别,多模态模型在各项比较任务中准确率达86%至97%,曲线下面积最高0.97,显著优于单一特征模型。研究证实心电图非线性特征(尤其是ECG_D位置)是核心区分要素,医学特征提供补充价值,为临床心血管风险分诊提供了高效可靠的智能化工具,有望提升肥胖相关心血管疾病的早期预警与干预能力。

