人工智能提高心脏病发作风险评估

当使用一个共同的心脏扫描,机器学习(ML),一种人工智能,并比传统风险模型在预测心脏病发作和其他心脏事件,据一项研究发表在杂志上放射学。

心脏病是死亡的主要原因为男性和女性在美国。准确的风险评估是至关重要的早期干预包括饮食、锻炼和药物降低胆固醇的他汀类药物。然而,风险的决心是一个不完美的科学,和流行的现有模型像弗雷明汉风险评分有局限性,因为他们不直接考虑冠状动脉的状况。

冠状动脉CT动脉造影术(CCTA),一种CT给心脏血管的高精确图像,是一种很有前途的工具,完善风险assessment-so承诺一个多学科工作组最近推出了一个评分系统总结CCTA结果。决策工具,称为冠状动脉疾病的报告和数据系统(CAD-RADS),强调狭窄或阻塞,在冠状动脉狭窄。虽然CAD-RADS是一个重要的和有用的开发管理的心脏病人,其关注动脉狭窄可能遗漏重要信息,根据研究报告的作者凯文·m·约翰逊,医学博士副教授放射学和生物医学成像在纽黑文的耶鲁大学医学院,康涅狄格州。

指出CCTA显示不仅仅是狭窄的,约翰逊博士最近调查了ML系统能够挖掘这些图像的无数细节更全面的预后情况。

“从头开始,我把从冠状动脉CT成像功能,”他说。“每个病人有64的这些特性和我喂成一个机器学习算法。算法能够退出模式的数据和预测患者特定模式更可能有一个像一个不良事件心脏病患者比其他模式。”

在这项研究中,约翰逊博士和他的同事们比较了ML方法与CAD-RADS和其他船评分系统6892名患者。他们跟着病人平均CCTA后九年。有380人死于各种原因,包括70年从冠状动脉疾病。此外,43例报道心脏病发作。

CAD-RADS和其他成绩相比,毫升方法更好的歧视病人会从那些不会心脏事件。当决定是否开始他汀类药物,毫升分数确保事件将获得药物患者的93%,相比之下,只有69%的人如果CAD-RADS是依赖。

“风险估计,你从做机器学习的模型比风险更准确估计你会得到如果你依赖CAD-RADS,”约翰逊博士说。“两种方法执行比只是用弗雷明汉风险估计。这表明观察冠状动脉的价值更好地估计人们的风险。”

如果机器学习可以提高船舶得分,这将增强心血管的无创性成像的贡献风险评估。此外,ML-derived船分数可以结合非危险因素如年龄、性别、高血压和吸烟来开发更全面的风险模型。这两个医生和受益病人。

“一旦你使用这样的工具来帮助发现某人的风险,然后你可以在他汀类药物或控制他们的血糖,让他们吸烟,高血压的控制,因为这些都是大的,可改变的危险因素,”他说。

约翰逊博士目前正在一篇论文,需要从这个研究结果和折叠成更大的图景与非危险因素。

“如果你增加人们的年龄和细节像吸烟、糖尿病和高血压,应增加总功率的方法,提高整体的结果,”他说。

---

---