将机器学习算法应用于pH-阻抗监测数据，可识别病理性胃上区嗳气现象

《Neurogastroenterology & Motility》：Machine Learning Algorithm Applied to pH-Impedance Monitoring Tracings Identifies Pathologic Supragastric Belching

机器学习算法可有效识别上消化道嗳气事件并区分患者类型，准确率达85.9%。采用pH-阻抗数据训练开发的自研卷积神经网络，验证其在检测手动遗漏事件及分类SGB、GERD和健康人群中的可靠性。

　　

摘要

背景与目的

胃上区嗳气（SGB）无法被商业软件检测到，且手动识别也非常困难。我们研究了机器学习是否能够准确识别SGB。

方法

从三个组（分别为患有病理性胃食管反流病（GERD）的患者、频繁嗳气的患者以及健康志愿者，每组20人）中收集pH-阻抗数据，并随机分配到训练集（20人）、验证集（40人）和测试集（40人）。首先，人工审核这些数据以标记出SGB事件，然后将数据转换为.csv文件，并输入到一个使用开源软件开发的卷积神经网络（CNN）中。训练集用于优化超参数和训练周期。随后，利用验证集和测试集评估该模型的临床实用性，以确认其准确性。同时，对假阳性结果进行了审查，以便识别出CNN新检测到的事件。

结果

在GERD组中，共手动识别出339次SGB事件（中位数8.0次）；在频繁嗳气组中识别出超过2000次SGB事件；在健康志愿者组中识别出163次SGB事件（中位数3.0次）。按组别分析，健康志愿者的敏感性最高，而GERD组的敏感性最低，但假阳性率相似。在ROC分析中，机器学习模型在最佳阈值（11次事件）下能够以高准确率（AUC 0.859，p<0.001）区分SGB患者和健康志愿者，其敏感性为100%，特异性为62.5%。

结论

在这项概念验证研究中，机器学习算法能够准确识别SGB事件，包括那些在人工审核中被遗漏的事件，并可靠地将SGB患者与健康志愿者和GERD患者区分开来。

要点

• 胃上区嗳气事件在人工审核中难以识别，但其表现具有规律性，因此非常适合使用模式识别方法进行处理，这使其成为理想的机器学习应用场景。
• 机器学习方法已被应用于胃肠病学领域的多个任务，包括神经胃肠病学相关的研究，但此前尚未有研究证明机器学习算法能够有效识别胃上区嗳气事件。
• 我们开发了一种新的机器学习算法，该算法在识别胃上区嗳气事件方面表现出良好性能，甚至能够发现人工审核中遗漏的事件，并能够将患有病理性胃上区嗳气的患者与健康志愿者及反流病患者区分开来。

利益相关声明

B.D.R.：在Phathom公司任职；M.H.、O.F.、A.S.：无利益相关关系；D.S.：来自Reckkit Benkiser（英国）和Jinshang China的酬金及研究资助；C.P.G.：在Medtronic、Braintree、Phathom和Alimentiv公司担任顾问；Carnot参与演讲。

利益冲突

作者声明没有利益冲突。

数据获取说明

本研究的数据可向通讯作者索取。由于隐私或伦理限制，这些数据不对外公开。