Прогнозирование аффективно-респираторных приступов по электрокардиографическим параметрам с использованием модели машинного обучения

Введение: Аффективно-респираторные приступы (АРП) часто встречаются у младенцев и детей раннего возраста и могут напоминать судорожные приступы. Считается, что в возникновении АРП участвуют такие факторы, как вегетативная дисфункция и железодефицитная анемия. В этом исследовании электрокардиографические (ЭКГ) параметры детей с АРП сравнивали с показателями здоровых детей. Затем на основе характеристик ЭКГ были разработаны модели логистической регрессии и машинного обучения для прогнозирования АРП.

Методы: В исследование случай–контроль включили 52 ребёнка с АРП в основную группу и 150 здоровых детей в контрольную группу. Всем детям проводили клиническое обследование и регистрировали ЭКГ. Для прогнозирования возникновения АРП по ЭКГ-параметрам использовали многофакторную модель логистической регрессии. Модель машинного обучения обучали и валидировали с применением алгоритма градиентного бустинга в среде программирования R.

Результаты: Средний возраст детей в группах АРП и контроля составлял 11,90 ± 6,63 и 11,33 ± 6,17 месяца соответственно (p = 0,58). Средние значения частоты сердечных сокращений, интервала PR и комплекса QRS по данным ЭКГ статистически значимо между группами не различались. У детей с АРП были статистически значимо выше корригированный интервал QT (QTc), дисперсия интервала QT (QTd), интервал от пика до конца зубца T (TpTe) и отношение TpTe/QT (во всех случаях p < 0,001). При оценке модели машинного обучения на тестовой выборке площадь под ROC-кривой, специфичность и чувствительность составили 0,94, 0,90 и 0,94 соответственно.

Выводы: У детей с АРП выявляются изменения реполяризации: значения QTc, QTd, TpTe и отношения TpTe/QT статистически значимо выше, что может иметь значение для выявления риска аритмий в будущем. Разработанная модель машинного обучения успешно прогнозировала вероятность АРП у детей с подозрением на это состояние.