摘要：目的 探讨基于动态心电指标建立的支持向量机（SVM）模型对急性心肌梗死（AMI）后心脏性死亡的预警作用。方法 入选2009年1-12月住院的AMI患者226例,入院一周记录动态心电图并获取心率变异性（HRV）、心率减速力（DC）和心率加速力（AC）等心电指标。建立基于这些心电指标特征的SVM模型,依据随访结果进行机器学习及分类研究。其分类结果与左室射血分数（LVEF）、R-R间期标准差（SDNN）和DC进行比较分析。采用受试者操作特征曲线下面积（AUC）来评价各指标的预警能力,并进行多因素Logistic回归分析。结果 最后共208例纳入分析,其中男性150例,女性58例,平均年龄60岁。在平均随访28个月期间内,12例发生心脏性死亡。通过特征选择建立了三个最优SVM模型：A、5维特征（5种HRV时域指标）;B、6维特征（4种HRV时域指标＋DC＋AC）;C、8维特征（5种HRV时域指标＋DC＋AC＋平均心率）。三个模型的AUC值分别为0.890、0.888和0.858,明显高于LVEF、SDNN和DC的0.742（P〈0.01）、0.793（P〈0.05）和0.740（P〈0.01）。多因素逐步Logistic回归分析结果显示,在校正了临床及心电变量后,5维特征SVM模型的比值比（OR）为30.291（3.664-250.424）。结论 基于动态心电指标建立的SVM模型对AMI后发生的心脏性死亡有较好的预警作用,其预测能力优于传统预警工具LVEF、SDNN和DC。

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）