（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。這些研究是最早使用人工智能從心電圖結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。“我們希望該模型可以用于早期識別出房顫的患者，以便對其進行治療以預防中風。”

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。
? ? ? ?