多模態可解釋機器學習方法：從心電圖診斷多分類左心室射血分數

左心室射血分數（LVEF）的評估目前依賴心臟超音波，這限制了基層醫療與資源受限地區的檢測可及性。研究團隊開發了一種結合工程化 12 導聯心電圖（ECG）時間序列特徵與結構化電子病歷（EHR）變數的多模態機器學習框架，旨在將 LVEF 分為四個臨床等級：正常（大於 50%）、輕度降低（40-50%）、中度降低（30-40%）及重度降低（小於 30%）。

該研究利用 Hartford HealthCare 的歷史數據，在 30,952 名門診患者的 36,784 組 ECG 與心臟超音波配對數據上訓練 XGBoost 模型，並針對隨後時期的 19,966 組 ECG 進行時間通用性評估。透過 SHAP 歸因分析識別出最具影響力的 ECG 與 EHR 特徵以支持模型可解釋性，該多模態模型在「一對其餘」的 AUROC 指標上分別達到 0.95（重度）、0.92（中度）、0.82（輕度）及 0.91（正常），表現優於僅使用 ECG 或僅使用 EHR 的基線模型，且在時間驗證下維持了性能。

此工作證實了基於 ECG 的多模態 LVEF 分層策略，可作為實用的篩選與分診輔助工具，用於在資源有限的情況下優先安排確認性影像檢查。