arXiv cs.AI· Walentin Palanchuk·· 11 小时前AI 评分31
用 ECG 预测实验室检验值：一项生理与技术综合分析
ECG for laboratory values:A comprehensive physiological and technical analysis
AI 导读
一项基于 MIMIC-IV 的多模态深度学习研究用 ECG 与患者元数据预测 NT-proBNP，12 导联配置表现稳定优于单导联 II：回归 MAE 为 514.27 pg/mL 对 534.98 pg/mL，二分类 AUROC 为 0.876 对 0.849，三分类宏平均 AUROC 为 0.752 对 0.738。
正文 · AI 翻译
摘要：实验室测量对于临床决策至关重要，但通常需要侵入性采血。近期研究表明，心电图记录可能包含心律之外的信息，并提供与实验室检验值相关的信息。本论文采用多模态深度学习框架，研究从心电图记录和患者元数据预测 NT-proBNP，同时考虑基于心电图的预测在生理学上的合理性。论文还比较了使用 II 导联的单导联配置与相应的 12 导联配置。附录中还给出了关于葡萄糖、血红蛋白和钾的额外实验。
使用 MIMIC-IV 进行了回归、二分类和三分类实验，其中三分类任务基于临床既定阈值。12 导联配置始终取得更好的性能。回归在单导联下达到 534.98 pg/mL 的平均绝对误差，在 12 导联下为 514.27 pg/mL。二分类分别达到 0.849 和 0.876 的 AUROC，而三分类达到 0.738 和 0.752 的宏平均 AUROC。
结果表明，精确的 NT-proBNP 回归仍然具有挑战性，而更宽泛的浓度范围可以更有效地分类。这些发现与以下生理学假设一致：心电图特征和 NT-proBNP 浓度反映了共同的心血管过程。因此，基于心电图的 NT-proBNP 预测可能提供补充信息，特别是在对更宽泛的浓度范围进行分类时。然而，实验室测量仍然是必要的，并且需要在独立数据集上进行验证。
| 评论： | 78 页，17 幅图，源代码见此 https URL |
| 主题： | 机器学习 (cs.LG)；人工智能 (cs.AI) |
| 引用为： | arXiv:2610.28507 [cs.LG] |
| （或 arXiv:2610.28507v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28507 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Walentin Palanchuk [查看电子邮件]
[v1]
2026 年 10 月 20 日星期二 16:46:26 UTC（2,065 KB）
来源：arXiv cs.AI · arxiv.org