研究：利用机器学习来估计心血管死亡的风险

仅使用患者心电图（ECG）旌旗的前15分钟，麻省理工学院系统就会发生一个分数，将患者置于分歧的风险类别。图片起原：麻省理工学院 （自媒体久久自媒体）

人类生成就是规避风险：我们花时间较量路线和老例，接纳预防办法以避免疾病，危险和绝望。 （自媒体www.jj00.com）

尽管如斯，我们掌握生物学内部运作的办法或者会加倍难以驾御。考虑到这一点，麻省理工学院较量机科学与人工智能实验室（CSAIL）的团队提出了一个新的系统来更好地展望健康究竟：一种机械进修模型，能够凭据心脏的电运动来估量患者的风险。心血管灭亡。 （原文来自久久自媒体）

该系统名为“RiskCardio”，专注于在急性冠状动脉综合征（ACS）中存活的患者，这是指一系列心脏血液削减或壅塞的情形。仅使用患者原始心电图（ECG）旌旗的前15分钟，该对象就会发生一个分数，将患者置于分歧的风险类别。

与最低四分位数的低风险组比拟，RiskCardio的高风险患者-最高四分位数患者-死于心血管灭亡的或者性几乎凌驾七倍。比拟之下，经由最常见的现有风险指标确定为高风险的患者与低风险对应者比拟，蒙受不良事件的或者性仅为其三倍。

“我们正在研究若何将非常长的时间序列纳入风险评分的数据问题，以及我们若何匡助大夫识别急性冠状动脉事件后高风险患者的临床问题，”第一作者DivyaShanmugam说。在一篇关于RiskCardio的新论文中。“机械进修和医疗保健的交叉布满了如许的组合-一个惹人饮茶注目的较量机科学问题，具有潜在的实际影响。”

以前的机械进修模型试图经由行使外部患者信息（如岁数或体重），或使用特定于系统的常识和专业常识（更普遍地称为特定范畴的常识）来匡助他们的模型选择分歧的风险特征。

然而，RiskCardio仅使用患者的原始ECG旌旗，没有其他信息。说患者在ACS后进入病院搜检。入院后，大夫会首先使用医疗数据和冗长的测试来估量心血管灭亡或心脏病发生的风险，然后选择一个疗程。RiskCardio旨在改善风险评估的第一步。为此，系统将患者的旌旗星散成多组一连搏动，并认为相邻搏动之间的可变性示知粗俗风险。使用来自曩昔患者的研究的数据练习该系统。

为了使模型正常运行，团队首先将每个患者的旌旗星散成一组相邻的心跳。然后，他们为每组相邻的心跳指定了一个标签-即患者是否死于心血管灭亡。研究人员练习该模型将每对相邻的心跳分类为其患者究竟：灭亡患者的心跳标记为“有风险”，而幸存患者的心跳标记为“正常”。

给定一名新患者，该团队经由平均每组相邻心跳的患者展望来建立风险评分。在患有ACS的患者的前15分钟内，，有充沛的信息来估量他们是否会在30,60,90或365天内患心血管疾病。尽管如斯，仅从ECG旌旗较量风险评分并非易事。旌旗非常长，跟着模型输入数量的增加，进修这些输入之间的关系变得加倍难题。

该团队经由为一组患者建造风险评分来测试该模型。然后，与一组低风险患者比拟，他们测量了患者作为高风险患者心血管灭亡的或者性。他们发现，在大约1,250名ACS后患者中，28名患者会在一年内死于心血管灭亡。使用建议的风险评分，28名患者中的19名被归类为高风险。

在将来，该团队进展使数据集更具包涵性，以适应分歧的岁数，种族和性别。他们还规划搜检存在大量标签不良或未标记数据的医疗情形，并评估他们的系统若何处理和处理该信息以解决更多恍惚的情形。“机械进修稀奇擅长识别模式，这与评估患者风险亲切相关，”Shanmugam说。“风险评分对于沟通患者状况很有效，这对于做出有效的护理决议很有价格。”#清风规划##健康真探社#