Ануп Р. Кулкарни, доктор философии, из Innotomy Consulting в Бангалоре, Индия, и ее коллеги объединили неинвазивную ЭКГ с машинным обучением для выявления диабета и преддиабета, используя данные от 1262 человек и 10 461 выровненных по времени сердечных сокращений, записанных в цифровом виде в исследовании Diabetes in Sindhi Families в Нагпуре. Набор данных был разделен на обучающие, проверочные и независимые тестовые наборы с 8 892, 523 и 1046 битами соответственно. Классификатор, который использовал обработанную сигналом ЭКГ в качестве входных данных и предсказывал принадлежность к классам без диабета, преддиабета или диабета 2 типа, был обучен с использованием экстремального градиентного усиления (XGBoost).
Исследователи обнаружили, что распространенность диабета 2 типа составила около 30 процентов, а распространенность преддиабета — около 14 процентов. Обучение было быстрым и плавным, с конвергенцией, достигнутой в течение 40 эпох. Алгоритм DiaBeats предсказал классы в независимом тестовом наборе с точностью 97,1 процента, 96,2 процента отзыва, 96,8 процента точности и 96,6 процента оценки F1. В калиброванной модели была обнаружена низкая ошибка калибровки (0, 06). Отведения III, увеличенный вектор слева, V4, V5 и V6 внесли наибольший вклад в эффективность классификации, о чем свидетельствуют карты важности признаков.
«Теоретически, наше исследование предоставляет относительно недорогую, неинвазивную и точную альтернативу, которую можно использовать в качестве привратника для эффективного выявления диабета и преддиабета на ранних стадиях его течения, — пишут авторы. — Тем не менее, внедрение этого алгоритма в повседневную практику потребует надежной проверки на внешних, независимых наборах данных».