背景 无症状型左室舒张功能不全(LVDD)在普通成年人群中的患病率很高,并且随着年龄增长以及冠心病、高血压病等心血管合并症的病情进展,左室舒张功能不全可进一步发展为有症状型心力衰竭(HF),同时LVDD可作为慢性心力衰竭患者不良预后及全因死亡的独立预测因子。有创心导管左室舒张末压力测定是评估LVDD的金标准,但其为有创检查,不易在临床实施。超声心动图是目前临床上被推荐用来评估左室舒张功能不全的主要方法,但是由于超声心动图的评估流程过于复杂,有较多局限性,对操作者技术水平有一定的要求,它仍然不能作为无症状型左室舒张功能不全的常规筛查手段。研究目的 本研究拟利用心电图、年龄、心血管合并症这些特征建立基于机器学习算法的左室舒张功能不全的初步评估模型,以期为早期筛查左室舒张功能不全提供更加廉价、便捷的解决方案。研究方法 收集2017年1月至2018年12月就诊于河南省人民医院门诊或住院部处于心力衰竭Stag A或Stag B阶段的病人,最终符合纳入和排除标准的病人共483例,根据超声心动图结果将研究对象分为左室舒张功能不全组(166例)、舒张功能正常组(317例),记录患者的心电图各项参数、年龄、性别、合并症等特征,对特征归一化预处理后,我们分别使用了3种方法来构建左室舒张功能不全的评估模型,分别是:逻辑回归(Logistics Regression,LR),K最近邻(K-Nearest Neighbor,KNN)、支持向量机(Support Vector Machine,SVM),通过3折交叉验证(3-fold cross-validation)的方式,来测试和比较模型的性能。研究结果 对于这3种机器学习方法,受试者工作特征曲线(Receiver operating characteristic curve,ROC)下面积(Area Under Curve,AUC)分别为:逻辑回归0.7,K最近邻算法0.6,其中基于支持向量机算法的评估模型显示出最好的性能,ROC曲线下面积为0.84(95%置信区间:0.81至0.87),用于评估左室舒张功能不全的敏感性和特异性分别为84%和67%。结论 基于机器学习算法的预测模型可作为评估左室舒张功能不全的早期筛查工具,进而能够早期做出干预,改善患者的预后。其中基于支持向量机的评估模型表现出良好的敏感性和特异性,值得在临床推广。