心血管研究的一项新研究发现，机器学习，计算机用来学习执行任务的模式和推理可以预测心脏病发作和心脏死亡的长期风险。确实，机器学习似乎比心脏病专家使用的标准临床风险评估更好地预测心脏病发作和心脏死亡。

在这里，研究人员从一项前瞻性，随机研究试验的成像部门研究了受试者，他们通过可进行的心脏CT扫描和长期随访对冠状动脉钙化评分。参与者为无症状的中年受试者，有心血管危险因素，但无已知冠状动脉疾病。

研究人员使用机器学习来评估受试者的心肌梗塞和心源性死亡的风险，然后将预测结果与受试者十五年的实际经验进行比较。在这里，受试者回答了一份问卷，以确定心血管危险因素并描述其饮食，运动和婚姻状况。

最终研究由1,912名受试者组成，距他们首次研究15年。76名受试者在此随访时间内出现了心肌梗塞和/或心脏死亡事件。受试者的预测机器学习分数与观察到的事件的实际分布准确一致。心脏病专家使用的标准临床风险评估动脉粥样硬化性心血管疾病风险评分高估了较高风险类别中事件的风险。机器学习没有。在未经调整的分析中，较高的预测机器学习风险与较高的心脏事件风险显着相关。

“我们的研究表明，机器学习将临床风险因素和影像学措施相结合，可以准确地个性化患者遭受心脏病或心源性死亡等不良事件的风险，”虽然机器学习模型有时被视为“黑匣子”，但我们还试图揭露机器学习的神秘面纱;在本手稿中，我们以两个患者的个体预测为例进行描述。当在扫描后应用时，这样的个性化预测可以帮助指导患者的建议，以降低他们遭受不良心脏事件的风险。”