12誘導心電図による多クラス駆出率診断のためのマルチモーダルかつ説明可能な機械学習アプローチ

arXiv cs.LG / 2026/4/30

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本研究は、12誘導心電図の工学的特徴量と構造化されたEHR変数を組み合わせて、LVEF（左室駆出率）を4つの臨床的区分に分類するマルチモーダルで説明可能なMLフレームワークを提案している。
XGBoostモデルは後ろ向きデータ（36,784件のECG–心エコー対応ペア）で学習され、後続期間のデータ（19,966件のECG）で時間的汎化を評価し、頑健性を検証している。
説明可能性のためにSHAPアトリビューションを用い、予測に最も寄与するECGおよびEHRの特徴を特定している。
マルチモーダル手法はクラスごとのone-vs-rest AUROCで高い性能（重症0.95、中等度0.92、軽度0.82、正常0.91）を示し、心電図単独およびEHR単独のベースラインを上回り、時間的バリデーションでも性能を維持している。
著者らは、一次医療や資源制約のある環境で、確認のための画像検査を優先するためのスクリーニング／トリアージに、ECGベースのマルチモーダル分類が有用になり得るとしている。

Abstract

左室駆出率（LVEF）の評価は心エコー検査に依存しており、プライマリ・ケアや資源が制約された環境での利用が制限されています。そこで我々は、12誘導ECGの時系列特徴として設計した特徴量と、構造化されたEHR変数を組み合わせるマルチモーダル機械学習フレームワークを開発し、臨床で用いられる4つの層、すなわち正常（>50%）、軽度低下（40-50%）、中等度低下（30-40%）、重度低下（<30%）にLVEFを分類しました。モデルの説明可能性を支えるために、SHAPによる寄与（attributions）を用いて、最も影響の大きいECGおよびEHRの特徴量を特定しました。Hartford HealthCareの後ろ向きデータを用いて、XGBoostモデルを30,952人の外来患者から得た36,784件のECG-心エコー対応ペアで学習し、その後の期間における19,966件のECGで時間的な汎化性能を評価しました。マルチモーダルモデルは、one-vs-restのAUROCが0.95（重度）、0.92（中等度）、0.82（軽度）、0.91（正常）であり、ECGのみおよびEHRのみのベースラインを上回り、時間的検証下でも性能を維持しました。本研究は、資源が限られる状況で、確認のための画像検査を優先順位付けするための実用的なスクリーニングおよびトリアージ支援として、ECGベースのマルチモーダルLVEF層別化を後押しするものです。