Objective: The presence of right ventricular hypertrophy (RVH) accounts for approximately 5-10% in young adults. The sensitivity estimated by commonly used 12-lead electrocardiographic (ECG) criteria for identifying the presence of RVH is under 20% in the general population. The aim of this study is to develop a 12-lead ECG system with the related information of age, body height and body weight via machine learning to increase the sensitivity and the precision for detecting RVH. Method: In a sample of 1,701 males, aged 17–45 years, support vector machine is used for the training of 31 parameters including age, body height and body weight in addition to 28 ECG data such as axes, intervals and wave voltages as the inputs to link the output RVH. The RVH is defined on the echocardiographic finding for young males as right ventricular anterior wall thickness > 5.5 mm. Results: On the system goal for increasing sensitivity, the specificity is controlled around 70-75% and all data tested in the proposed method show competent sensitivity up to 70.3%. The values of area under curve of receiver operating characteristic curve and precision-recall curve using the proposed method are 0.780 and 0.285, respectively, which are better than 0.518 and 0.112 using the Sokolow-Lyon voltage criterion, respectively, for detecting unspecific RVH. Conclusion: We present a method using simple physiological parameters with ECG data to effectively identify more than 70% of the RVH among young adults. Clinical Impact: This system provides a fast, precise and feasible diagnosis tool to screen RVH.

中文翻译：

---

一个基于 12 导联 ECG 的系统，具有生理参数和机器学习，可识别年轻人的右心室肥厚

目的：右心室肥厚 (RVH) 的存在约占年轻人的 5-10%。通过常用的 12 导联心电图 (ECG) 标准估计的用于识别 RVH 存在的敏感性在一般人群中低于 20%。本研究的目的是通过机器学习开发一种具有年龄、身高和体重相关信息的 12 导联心电图系统，以提高检测 RVH 的灵敏度和精度。方法：在1701名17-45岁男性样本中，除了轴、间隔、波电压等28个心电数据外，还使用支持向量机对年龄、身高、体重等31个参数进行训练。输入链接输出 RVH。RVH 在年轻男性的超声心动图结果中定义为右心室前壁厚度 > 5.5 mm。结果：在提高灵敏度的系统目标上，特异性控制在 70-75% 左右，在所提出的方法中测试的所有数据都显示出高达 70.3% 的合格灵敏度。使用该方法的受试者工作特征曲线和精确召回曲线的曲线下面积值分别为 0.780 和 0.285，分别优于使用 Sokolow-Lyon 电压标准的 0.518 和 0.112，用于检测非特异性 RVH。结论：我们提出了一种使用简单生理参数和 ECG 数据的方法，可有效识别年轻人中 70% 以上的 RVH。临床影响：该系统提供了一种快速、精确和可行的诊断工具来筛查 RVH。5 毫米。结果：在提高灵敏度的系统目标上，特异性控制在 70-75% 左右，在所提出的方法中测试的所有数据都显示出高达 70.3% 的合格灵敏度。使用该方法的受试者工作特征曲线和精确召回曲线的曲线下面积值分别为 0.780 和 0.285，分别优于使用 Sokolow-Lyon 电压标准检测非特异性 RVH 的 0.518 和 0.112。结论：我们提出了一种使用简单生理参数和 ECG 数据的方法，可有效识别年轻人中 70% 以上的 RVH。临床影响：该系统提供了一种快速、精确和可行的诊断工具来筛查 RVH。5 毫米。结果：在提高灵敏度的系统目标上，特异性控制在 70-75% 左右，在所提出的方法中测试的所有数据都显示出高达 70.3% 的合格灵敏度。使用该方法的受试者工作特征曲线和精确召回曲线的曲线下面积值分别为 0.780 和 0.285，分别优于使用 Sokolow-Lyon 电压标准的 0.518 和 0.112，用于检测非特异性 RVH。结论：我们提出了一种使用简单生理参数和 ECG 数据的方法，可有效识别年轻人中 70% 以上的 RVH。临床影响：该系统提供了一种快速、精确和可行的诊断工具来筛查 RVH。特异性控制在 70-75% 左右，在所提出的方法中测试的所有数据都显示出高达 70.3% 的灵敏度。使用该方法的受试者工作特征曲线和精确召回曲线的曲线下面积值分别为 0.780 和 0.285，分别优于使用 Sokolow-Lyon 电压标准检测非特异性 RVH 的 0.518 和 0.112。结论：我们提出了一种使用简单生理参数和 ECG 数据的方法，可有效识别年轻人中 70% 以上的 RVH。临床影响：该系统提供了一种快速、精确和可行的诊断工具来筛查 RVH。特异性控制在 70-75% 左右，在所提出的方法中测试的所有数据都显示出高达 70.3% 的灵敏度。使用该方法的受试者工作特征曲线和精确召回曲线的曲线下面积值分别为 0.780 和 0.285，分别优于使用 Sokolow-Lyon 电压标准的 0.518 和 0.112，用于检测非特异性 RVH。结论：我们提出了一种使用简单生理参数和 ECG 数据的方法，可有效识别年轻人中 70% 以上的 RVH。临床影响：该系统提供了一种快速、精确和可行的诊断工具来筛查 RVH。285，分别优于 0.518 和 0.112，分别使用 Sokolow-Lyon 电压标准检测非特异性 RVH。结论：我们提出了一种使用简单生理参数和 ECG 数据的方法，可有效识别年轻人中 70% 以上的 RVH。临床影响：该系统提供了一种快速、精确和可行的诊断工具来筛查 RVH。285，分别优于 0.518 和 0.112，分别使用 Sokolow-Lyon 电压标准检测非特异性 RVH。结论：我们提出了一种使用简单生理参数和 ECG 数据的方法，可有效识别年轻人中 70% 以上的 RVH。临床影响：该系统提供了一种快速、精确和可行的诊断工具来筛查 RVH。