僅使用患者心電圖（ECG）信號的前15分鐘，麻省理工學院系統就會產生一個分數，將患者置於不同的風險類別。圖片來源：麻省理工學院
人類天生就是規避風險：我們花時間計算路線和慣例，採取預防措施以避免疾病，危險和絕望。
儘管如此，我們控制生物學內部運作的措施可能會更加難以駕馭。考慮到這一點，麻省理工學院計算機科學與人工智能實驗室（CSAIL）的團隊提出了一個新的系統來更好地預測健康結果：一種機器學習模型，可以根據心臟的電活動來估計患者的風險。心血管死亡。
該系統名為“RiskCardio”，專注於在急性冠狀動脈綜合徵（ACS）中存活的患者，這是指一系列心臟血液減少或阻塞的情況。僅使用患者原始心電圖（ECG）信號的前15分鐘，該工具就會產生一個分數，將患者置於不同的風險類別。
與最低四分位數的低風險組相比，RiskCardio的高風險患者 - 最高四分位數患者 - 死於心血管死亡的可能性幾乎高出七倍。相比之下，通過最常見的現有風險指標確定為高風險的患者與低風險對應者相比，遭受不良事件的可能性僅為其三倍。
“我們正在研究如何將非常長的時間序列納入風險評分的數據問題，以及我們如何幫助醫生識別急性冠狀動脈事件後高風險患者的臨床問題，”第一作者Divya Shanmugam說。在一篇關於RiskCardio的新論文中。“機器學習和醫療保健的交叉充滿了這樣的組合 - 一個引人注目的計算機科學問題，具有潛在的現實影響。”
以前的機器學習模型試圖通過利用外部患者信息（如年齡或體重），或使用特定於系統的知識和專業知識（更廣泛地稱為特定領域的知識）來幫助他們的模型選擇不同的風險特徵。
然而，RiskCardio僅使用患者的原始ECG信號，沒有其他信息。說患者在ACS後進入醫院檢查。入院後，醫生會首先使用醫療數據和冗長的測試來估計心血管死亡或心臟病發作的風險，然後選擇一個療程。RiskCardio旨在改善風險評估的第一步。為此，系統將患者的信號分離成多組連續搏動，並認為相鄰搏動之間的可變性告知下游風險。使用來自過去患者的研究的數據訓練該系統。
為了使模型正常運行，團隊首先將每個患者的信號分離成一組相鄰的心跳。然後，他們為每組相鄰的心跳指定了一個標籤 - 即患者是否死於心血管死亡。研究人員訓練該模型將每對相鄰的心跳分類為其患者結果：死亡患者的心跳標記為“有風險”，而倖存患者的心跳標記為“正常”。
給定一名新患者，該團隊通過平均每組相鄰心跳的患者預測來創建風險評分。在患有ACS的患者的前15分鐘內，有足夠的信息來估計他們是否會在30,60,90或365天內患心血管疾病。儘管如此，僅從ECG信號計算風險評分並非易事。信號非常長，隨著模型輸入數量的增加，學習這些輸入之間的關係變得更加困難。
該團隊通過為一組患者製作風險評分來測試該模型。然後，與一組低風險患者相比，他們測量了患者作為高風險患者心血管死亡的可能性。他們發現，在大約1,250名ACS後患者中，28名患者會在一年內死於心血管死亡。使用建議的風險評分，28名患者中的19名被歸類為高風險。
在未來，該團隊希望使數據集更具包容性，以適應不同的年齡，種族和性別。他們還計劃檢查存在大量標籤不良或未標記數據的醫療情景，並評估他們的系統如何處理和處理該信息以解決更多模糊的情況。“機器學習特別擅長識別模式，這與評估患者風險密切相關，”Shanmugam說。“風險評分對於溝通患者狀態很有用，這對於做出有效的護理決策很有價值。”
閱讀更多 艾德醫訊 的文章
