TIMEDOO肽度（微信號：Time-doo）獲悉，美國衛(wèi)生醫(yī)療系統(tǒng)Geisinger Health訓練出一套能根據(jù)心電圖預測患者存活率的機器學習模型。這套模型還能監(jiān)測心電圖上一般醫(yī)生可能忽視的部分，更準確的判斷患者是否將出現(xiàn)心房顫動的癥狀。

根據(jù)Healio報道，機器學習模型在醫(yī)療上的應用雖已十分常見，但大多都是配合既有的診斷結果，進行特征的識別，很少有研究會用機器學習預測未來事件及患者結果。Geisinger的機器學習模型是第一個只需透過12導程心電圖，就能預測患者一年內(nèi)死亡率的系統(tǒng)。

研究人員使用了100多萬張來自30多萬名患者的心電圖標記，對深度神經(jīng)網(wǎng)路進行訓練，并讓它預測患者未來一年的死亡率。結果顯示，Geisinger機器學習模型的接受試者操作(ROC)曲線下面積(AUC)為0.83。在加入年齡、性別等資料后，AUC便達到0.85。

在處理原本被心臟科醫(yī)生判斷為正常的心電圖時，Geisinger機器學習模型也有相當不錯的表現(xiàn)。經(jīng)過測試發(fā)現(xiàn)，盡管心電圖上已標記了真陽(true positive)、真陰(true negative)，心臟科醫(yī)生仍無法識別出機器學習模型所捕捉到的模式。

研究人員指出，患者預診斷是決定接下來治療方式的重要基礎。他們相信這類模型將能被整合到臨床工作流程，為風險評估與預診斷提供必要的協(xié)助。

此外，研究團隊還利用五摺交叉驗證，訓練多類別深度卷積神經(jīng)網(wǎng)預測患者一年內(nèi)發(fā)生心房顫動的可能性。經(jīng)過訓練，預測模型的AUC達到0.75，而面對原本被判斷為正常的心電圖時，預測模型的AUC也有0.72。這代表演算法能夠識別醫(yī)生容易忽略的重要細節(jié)。

Geisinger目前正試圖透過臨床試驗，證明這套預測模型的實際應用價值。除了心房顫動的預測外，研究團隊也想證實及早治療將能降低中風等有害結果發(fā)生的機率。

編輯|周新思