美国卫生医疗系统Geisinger Health训练出一套能根据心电图预测患者存活率的机器学习模型。这套模型还能监测心电图上一般医生可能忽视的部分，更准确的判断患者是否将出现心房颤动的症状。

根据Healio报道，机器学习模型在医疗上的应用虽已十分常见，但大多都是配合既有的诊断结果，进行特征的识别，很少有研究会用机器学习预测未来事件及患者结果。

Geisinger的机器学习模型是第一个只需透过12导程心电图，就能预测患者一年内死亡率的系统。

研究人员使用了100多万张来自30多万名患者的心电图标记，对深度神经网路进行训练，并让它预测患者未来一年的死亡率。结果显示，Geisinger机器学习模型的接受试者操作(ROC)曲线下面积(AUC)为0.83。在加入年龄、性别等资料后，AUC便达到0.85。

在处理原本被心脏科医生判断为正常的心电图时，Geisinger机器学习模型也有相当不错的表现。经过测试发现，尽管心电图上已标记了真阳(true positive)、真阴(true negative)，心脏科医生仍无法识别出机器学习模型所捕捉到的模式。

研究人员指出，患者预诊断是决定接下来治疗方式的重要基础。他们相信这类模型将能被整合到临床工作流程，为风险评估与预诊断提供必要的协助。

此外，研究团队还利用五摺交叉验证，训练多类别深度卷积神经网预测患者一年内发生心房颤动的可能性。经过训练，预测模型的AUC达到0.75，而面对原本被判断为正常的心电图时，预测模型的AUC也有0.72。这代表演算法能够识别医生容易忽略的重要细节。

Geisinger目前正试图透过临床试验，证明这套预测模型的实际应用价值。除了心房颤动的预测外，研究团队也想证实及早治疗将能降低中风等有害结果发生的机率。

本文转载自其他网站，不代表大健康派观点和立场。如有内容和图片的著作权异议，请及时联系我们（邮箱：scarlet.s@djkpai.com）