摘要：MIMIC数据库发顶刊可不多见，今天这篇文章就做到了！学者挖掘MIMIC中的心电图数据，联合该数据库的常见搭档——机器学习，成功拿下柳叶刀子刊！一起看看吧！

引言

MIMIC数据库发顶刊可不多见，今天这篇文章就做到了！学者挖掘MIMIC中的心电图数据，联合该数据库的常见搭档——机器学习，成功拿下柳叶刀子刊！一起看看吧！

肝脏疾病每年导致约200万人死亡，但传统诊断方法（如血液检测、影像学检查和肝活检）常具有侵入性、成本高且敏感性不足，尤其在早期阶段。

先前研究发现，心电图（ECG）作为一种广泛可用、非侵入的工具，能够通过捕捉心血管与肝脏的相互作用，为肝脏疾病诊断提供新途径。

2025年6月，外国学者用两个独立数据集（MIMIC-IV-ECG和ECG-View II），在医学顶刊Lancet子刊《（医学一区Top，IF=9.6）发表题为：Electrocardiogram-based diagnosis of liver diseases: an externally validated and explainable machine learning approach”的研究论文。

研究基于心血管与肝脏的生理关联（如肝硬化相关心肌病、门肺高压等双向病理机制），提出通过ECG特征（如QTc间期、RR间期）和人口统计学数据构建机器学习模型，预测特定的肝脏疾病（如酒精性肝病、肝衰竭）。

研究团队通过基于树的机器学习模型——XGBoost，探究ECG与肝脏疾病的潜在关联，并结合Shapley值增强模型可解释性。

训练和验证模型的数据来源于两个大型公开数据集：

MIMIC-IV-ECG：来自美国波士顿医疗中心的急诊和重症监护患者（467,729例，2008–2019年），用于训练和内部验证；

ECG-View II：来自韩国三级医院的住院患者（775,535例，1994–2013年），用于外部验证。

这两数据集均通过分层抽样确保年龄、性别和诊断分布的平衡，避免患者重叠。

图1 研究流程图

研究结果显示，基于树的机器学习模型（XGBoost）对肝脏疾病具有较强的预测性能和较好的泛化性。例如：

酒精性肝病（K70）：内部ROC曲线下面积（AUROC）为0.8025，外部为0.7644；其亚型（如K7030）在外部验证中表现更优（AUROC达0.8777）；

肝衰竭（K72）：内部AUROC为0.7404，外部为0.7498，性能略低但稳定性良好。

表1 比较内部（MIMIC-IV-ECG）和外部（ECG-View II）数据集中每种疾病的AUROC、敏感性、特异性和患病率

研究进一步通过Shapley值量化每个特征对模型预测的贡献，结果一致认为年龄和QTc间隔延长是关键的预测因素。

而性别（男性风险更高）、RR间期（低值或极高值）及T波轴异常也有显著贡献。

图2 可解释性结果

此外，模型在不同人口亚组（性别、年龄分位数）中表现稳定，但老年组性能略有下降，表明了上述研究结果的稳健性。

值得注意的是，女性的AUROC值始终高于男性，这意味着潜在的病理生理差异会影响模型的可预测性。

综上所述，心电图（ECG）结合可解释机器学习为肝脏疾病提供了一种高效、非侵入的筛查工具，尤其在资源有限场景下潜力显著。QTc间期等ECG特征可作为肝病的潜在生物标志物，支持早期发现和风险分层。

来源：郑老师讲统计