如今的人工智能已經(jīng)可以識別醫(yī)療死亡風險

（文章來源：教育新聞網(wǎng)）

根據(jù)Geisinger的發(fā)布，Geisinger研究人員最近發(fā)現(xiàn)，人工智能可以檢查心電圖(ECG)測試結(jié)果，以識別可能在一年內(nèi)死亡或出現(xiàn)潛在危險的心律不齊或心律不齊的患者。

在兩項研究中進行的研究人員使用了Geisinger系統(tǒng)內(nèi)已存檔醫(yī)療記錄的200萬個ECG測試結(jié)果，以訓練深層神經(jīng)網(wǎng)絡并預測心律不規(guī)則(稱為心房顫動(AF))，然后再進行開發(fā)。心房顫動與心臟病發(fā)作和中風的風險增加相關(guān)。這些研究是最早使用人工智能從心電圖結(jié)果預測未來事件而不是檢測當前健康問題的研究之一。

“這是令人興奮的，并提供了更多的證據(jù)，表明我們正處于醫(yī)學革命的邊緣，計算機將與醫(yī)生一起改善患者的護理水平，”該研究的共同資深作者，副教授Brandon Fornwalt博士說。兼Geisinger影像科學與創(chuàng)新系系主任。在第一項研究中，研究人員與尚未發(fā)生房顫的患者進行了合作。

在來自超過237,000名患者的110萬個ECG中，研究團隊使用高度專業(yè)化的計算硬件來訓練一個深度神經(jīng)網(wǎng)絡，以針對每個ECG分析15個數(shù)據(jù)段-30,000個數(shù)據(jù)點。研究人員發(fā)現(xiàn)，在高風險的前1%的患者中，三分之一的人在一年內(nèi)被診斷出患有房顫。

模型預測還顯示了更長期的預后意義，因為與低風險患者相比，在接下來的25年隨訪中，預測為發(fā)生纖顫的患者發(fā)生纖顫的危險率高45%。

影像學系助理教授克里斯托弗·哈格蒂(Christopher Haggerty)博士說：“目前，用于鑒定哪些患者會在明年內(nèi)發(fā)展為房顫的方法有限，這就是為什么很多時候房顫的第一個征兆是中風的原因?！鄙w辛格(Geisinger)的創(chuàng)新以及這兩項研究的共同資深作者?！拔覀兿Ｍ撃Ｐ涂梢杂糜谠缙谧R別出房顫的患者，以便對其進行治療以預防中風?！?/p>

在第二項研究中，研究人員進行了研究，以找出最可能在一年內(nèi)死于任何原因的患者。Geisinger研究人員分析了將近40萬名患者的177萬份心電圖和其他記錄的結(jié)果。該團隊使用這些數(shù)據(jù)來比較基于機器學習的模型，該模型要么直接分析原始ECG信號，要么依賴于匯總的人類衍生指標和通常診斷出的疾病模式。

發(fā)現(xiàn)直接分析ECG信號的神經(jīng)網(wǎng)絡模型在預測1年死亡風險方面具有優(yōu)勢。幸運的是，即使在醫(yī)師認為心電圖正常的患者中，神經(jīng)網(wǎng)絡也能夠準確預測死亡風險。該新聞稿稱，三位心臟病專家分別檢查了最初被視為正常的心電圖，他們通常無法識別神經(jīng)網(wǎng)絡檢測到的風險模式。
? ? ? ?