背景与目标
心血管疾病约占已知医学条件导致死亡的80%，是全球主要的死亡原因。本研究调查了使用心电图（ECG）非线性特征和不同拓扑医学特征（心率、人体测量学、血液指标、葡萄糖水平、脂质谱以及心率变异性）来区分成人肥胖中不同弗雷明汉心血管风险量表状态组的机器学习方法。
方法
我们在2023年11月至2024年5月期间在巴西塞阿拉州福塔莱萨进行了一项横断面研究。基于弗雷明汉心血管风险量表，患者被分为三个心血管风险组：低风险（22名参与者）、中风险（14名参与者）和高风险（17名参与者）。从两个不同位置的心电信号（ECG_Down和ECG_UP）中，使用多频带分析提取了27个非线性特征。此外，还包含了医生提供的42个医学特征。从19种机器学习分类器中，分别仅使用心电图信息、仅使用医学特征以及结合两者（多模态）的信息，在嵌套留一交叉验证过程中训练和测试模型，以区分低风险与中风险、低风险与高风险、中风险与高风险以及所有组别之间的比较。
结果
多模态模型在每个比较组中均表现出最佳结果，达到：(1) 低风险与中风险比较的88.89%准确率和0.8831曲线下面积（AUC）；(2) 低风险与高风险比较的97.44%准确率和0.9706 AUC；(3) 中风险与高风险比较的93.55%准确率和0.9412 AUC；(4) 所有组别比较的86.79%准确率和0.9346 AUC。
结论
在53名患者的队列中，我们从两个位置提取了27个心电图非线性特征和42个医生整理的临床特征，并使用嵌套留一交叉验证（LOOCV）与方差分析F值选择，训练模型以区分弗雷明汉风险分层。在低风险与中风险、低风险与高风险、中风险与高风险以及所有组别比较任务中，多模态模型始终优于仅心电图和仅医学特征模型，准确率达到86–97%，曲线下面积高达0.97。心电图衍生的非线性特征，尤其是来自ECG_D位置的特征，是区分的主要驱动力，而医学特征提供了补充增益，表明所提出的多模态方法是一种有前景的工具，可用于支持临床分诊。
【全文结束】
