达拉斯，2019年11月11日-人工智能可以检查心电图(ECG)测试结果(一种常见的医学测试)，以查明患有潜在危险的异常心律(心律不齐)或在明年内死亡的较高风险的患者两项初步研究将在11月16日至18日在费城举行的2019年美国心脏协会科学会议上发表。该协会的科学会议是每年一次的全球首要的交流活动，旨在为研究人员和临床医生交流心血管科学的最新进展。

研究人员利用宾夕法尼亚州/新泽西州的盖辛格医疗系统(Geisinger Health System)超过三十年的医疗记录中超过200万个ECG结果来训练深度神经网络-先进的多层计算结构。科学家指出，这两个研究来自同一组研究人员，是最早使用人工智能来预测心电图未来事件而不是检测当前健康问题的研究。

“这项研究令人兴奋，并提供了更多的证据，表明我们正处于医学革命的边缘，计算机将与医生一起改善患者的护理水平，”研究和研究的资深作者布兰登·福恩沃尔特(Brandon Fornwalt)博士说。宾夕法尼亚州丹维尔市Geisinger影像科学与创新系教授兼系主任。

一个深度神经网络，可直接根据12导联心电图轨迹预测房颤的发生(海报演示MDP106)

研究人员推测，深度学习模型可以在发展之前预测不规则的心律，称为心房颤动(AF)。心房纤颤与中风和心脏病发作的较高风险有关。研究人员专注于110万个心电图，这些心电图未显示超过23.7万例患者存在房颤，研究人员使用高度专业化的计算硬件训练了一个深度神经网络，以针对每个心电图分析15个数据段-30,000个数据点。

研究人员发现，如神经网络所预测的那样，在高风险患者的前1%中，每3个人中就有1个人在一年内被诊断出患有AF。模型预测还显示了更长期的预后意义，因为预测在1年发展为AF的患者在25年的随访中发展为AF的危险率比其他患者高45%。

资深作者克里斯托弗·哈格蒂(Christopher Haggerty)博士说：“目前，用于鉴定哪些患者在明年内会发展为房颤的方法有限，这就是为什么很多时候房颤的第一个迹象是中风的原因。” Geisinger影像科学与创新系。“我们希望该模型可以用于早期识别出房颤的患者，以便对其进行治疗以预防中风。”

美国心脏协会精密心血管医学研究所所长詹妮弗·霍尔(Jennifer Hall)博士指出，深度学习“是我们心血管医学领域能够帮助患者并帮助人们理解风险的另一种方式。中风。”

“能够了解谁有心律不齐或房颤的危险，然后帮助我们了解谁可能也有中风的危险，然后治疗这些人并预防房颤和中风。”说过。“拥有这些触手可及的技术并拥有更精确的技术来发现现在或将来潜在的心房颤动绝对是巨大的。”

即使在临床上被解释为正常的情况，深层神经网络也可以直接从ECG信号预测一年的死亡率(口头报告119)

为了帮助确定一年内最有可能死于任何原因的患者，Geisinger研究人员分析了近40万患者的177万份心电图和其他记录的结果。该团队使用这些数据来比较基于机器学习的模型，该模型直接分析原始的ECG信号，或者依靠汇总的人为测量(心脏病专家通常记录的标准ECG功能)和通常诊断的疾病模式。

发现直接分析ECG信号的神经网络模型在预测1年死亡风险方面具有优势。出乎意料的是，即使在医生认为其心电图正常的患者中，神经网络也能够准确预测死亡风险。研究人员说，三位心脏病专家分别检查了最初被视为正常的心电图，他们通常无法识别神经网络检测到的风险模式。Fornwalt说：“这是这项研究的最重要发现。” Fornwalt与Haggerty共同领导了Geisinger心脏成像技术实验室。“这可能会完全改变我们将来解释心电图的方式。”

研究人员指出，尽管庞大的Geisinger数据库是两项研究的主要优势，但应在Geisinger以外的地点测试发现。主要作者Sushravya Raghunath博士说：“将这些模型纳入常规心电图分析将很简单。但是，根据计算机预测为患者制定适当的护理计划将是一个更大的挑战。”现在，研究人员正在测试这些预测是否可以用来改善健康状况。