The prevalence of physiological and pathological left ventricular hypertrophy (LVH) among young adults is about 5%. A use of electrocardiographic (ECG) voltage criteria and machine learning for the ECG parameters to identify the presence of LVH is estimated only 20-30% in the general population. The aim of this study is to develop an ECG system with anthropometric data using machine learning to increase the accuracy and sensitivity for a screen of LVH. In a large sample of 2,196 males, aged 17–45 years, the support vector machine (SVM) classifier is used as the machine learning method for 31 characteristics including age, body height and body weight in addition to 28 ECG parameters such as axes, intervals and voltages to link the output of LVH. The diagnosis of LVH is based on the echocardiographic criteria for young males to be 116 gram/meter2 (left ventricular mass (LVM)/body surface area) or 49 gram/meter2.7 (LVM/body height2.7). On the purpose of increasing sensitivity, the specificity is adjusted around 70-75% and all data tested in proposed model reveal high sensitivity to 86.7%. The area under curve (AUC) of the Precision-Recall (PR) curve is 0.308 in the proposed model which is better than 0.109 and 0.077 using Cornell and Sokolow-Lyon voltage criteria for LVH, respectively. Our system provides a novel screening tool using age, body height, body weight and ECG data to identify most of the LVH among young adults. It provides a fast, accurate and practical diagnosis tool to identify LVH.

中文翻译：

---

通过机器学习的人体测量学心电图系统筛查年轻人左心室肥厚

年轻成人中生理和病理性左心室肥厚 (LVH) 的患病率约为 5%。使用心电图 (ECG) 电压标准和机器学习的 ECG 参数来识别 LVH 的存在估计在一般人群中只有 20-30%。本研究的目的是使用机器学习开发具有人体测量数据的 ECG 系统，以提高 LVH 屏幕的准确性和灵敏度。在 2,196 名年龄在 17-45 岁的男性的大样本中，支持向量机 (SVM) 分类器用作机器学习方法，包括年龄、身高和体重等 31 个特征以及 28 个心电图参数，例如轴、连接 LVH 输出的间隔和电压。LVH 的诊断基于年轻男性的超声心动图标准为 116 克/米 2（左心室质量 (LVM)/体表面积）或 49 克/米 2.7（LVM/身高 2.7）。为了提高灵敏度，将特异性调整到 70-75% 左右，并且在提议的模型中测试的所有数据都显示出高达 86.7% 的高灵敏度。在所提出的模型中，Precision-Recall (PR) 曲线的曲线下面积 (AUC) 为 0.308，分别优于使用 Cornell 和 Sokolow-Lyon LVH 电压标准的 0.109 和 0.077。我们的系统提供了一种新的筛查工具，使用年龄、身高、体重和 ECG 数据来识别年轻人中的大部分 LVH。它提供了一种快速、准确和实用的诊断工具来识别 LVH。为了提高灵敏度，将特异性调整到 70-75% 左右，并且在提议的模型中测试的所有数据都显示出高达 86.7% 的高灵敏度。在所提出的模型中，Precision-Recall (PR) 曲线的曲线下面积 (AUC) 为 0.308，分别优于使用 Cornell 和 Sokolow-Lyon LVH 电压标准的 0.109 和 0.077。我们的系统提供了一种新的筛查工具，使用年龄、身高、体重和 ECG 数据来识别年轻人中的大部分 LVH。它提供了一种快速、准确和实用的诊断工具来识别 LVH。为了提高灵敏度，将特异性调整到 70-75% 左右，并且在提议的模型中测试的所有数据都显示出高达 86.7% 的高灵敏度。在所提出的模型中，Precision-Recall (PR) 曲线的曲线下面积 (AUC) 为 0.308，分别优于使用 Cornell 和 Sokolow-Lyon LVH 电压标准的 0.109 和 0.077。我们的系统提供了一种新的筛查工具，使用年龄、身高、体重和 ECG 数据来识别年轻人中的大部分 LVH。它提供了一种快速、准确和实用的诊断工具来识别 LVH。077 分别使用 Cornell 和 Sokolow-Lyon 电压标准用于 LVH。我们的系统提供了一种新的筛查工具，使用年龄、身高、体重和 ECG 数据来识别年轻人中的大部分 LVH。它提供了一种快速、准确和实用的诊断工具来识别 LVH。077 分别使用 Cornell 和 Sokolow-Lyon 电压标准用于 LVH。我们的系统提供了一种新的筛查工具，使用年龄、身高、体重和 ECG 数据来识别年轻人中的大部分 LVH。它提供了一种快速、准确和实用的诊断工具来识别 LVH。