Machine-learning algorithm to non-invasively detect diabetes and pre-diabetes from electrocardiogram
Anoop R Kulkarni, et al.
Kulkarni AR, et al. BMJ Innov 2022;0:1–11. doi:10.1136/bmjinnov-2021-000759
https://innovations.bmj.com/content/bmjinnov/early/2022/07/06/bmjinnov-2021-000759.full.pdf
【目的】 2型糖尿病や糖尿病予備軍の予防には、早期発見が極めて重要である。これらの疾患の診断は、経口ブドウ糖負荷試験とヘモグロビンA1cの推定に依存しており、これらは侵襲的で大規模なスクリーニングには困難である。我々は、心電図の非侵襲性と機械学習の能力を組み合わせて、糖尿病と糖尿病予備軍を検出することを目的とした。
【方法】 本研究のデータは、インド中央部の民族的に内地であるシンド族を対象としたDiabetes in Sindhi Families in Nagpur研究によるものである。最終的なデータセットには、1262人の臨床データと、デジタルで記録された10461の時間的に整列した心拍が含まれています。データセットは、トレーニングセット、検証セット、独立したテストセット（それぞれ8892、523、1046拍）に分割された。ECG記録は、中央値フィルタリング、バンドパスフィルタリング、標準スケーリングで処理された。トレーニング開始前に、トレーニングデータセットのバランスをとるために、少数派のオーバーサンプリングが実施された。信号処理された心電図を入力とし、「糖尿病なし」、「糖尿病予備軍」、「2型糖尿病」（米国糖尿病学会基準による）のいずれかに属するかを予測する分類器の訓練には、Extreme Gradient boosting（XGBoost）が使用された。
【結果】 2型糖尿病および糖尿病予備軍の有病率はそれぞれ30%および14%であった。学習はスムーズかつ迅速に行われた（40エポック以内に収束した）。独立したテストセットにおいて、DiaBeatsアルゴリズムは、97.1%の精度、96.2%の再現率、96.8%の精度、96.6%のF1スコアでクラスを予測した。較正されたモデルは低い較正誤差(0.06)であった。特徴量重要度マップは、III、aVL（augmented Vector Left）、V4、V5、V6が分類性能に最も寄与していることを示した。この予測は、糖尿病における心疾患の生物学的メカニズムに基づく臨床的な予想と一致した。
【結論 】ECG信号データを用いた機械学習ベースのDiaBeatsアルゴリズムは、糖尿病関連クラスを正確に予測した。このアルゴリズムは、外部データセットで強固な検証を行った後、糖尿病および糖尿病前症の早期発見に役立つ可能性がある。
www.DeepL.com/Translator（無料版）で翻訳しました。
