研究人员利用人工智能诊断胸痛患者

人工智能(AI)可能有助于改善在医院照顾病人出现急性胸痛、根据发表的一项研究放射学。

“我们所知的,我们的深度学习人工智能模型是第一个利用胸部x光检查来确定个体之间急性胸痛病人需要立即就医,”该研究的第一作者,Marton Kolossvary,医学博士放射学博士,研究员在波士顿马萨诸塞州总医院(MGH)。

急性胸痛综合征可能由闷、燃烧或其他不适的胸部或剧烈的疼痛蔓延到你的背部,颈部,肩膀,手臂,和下巴。它可能是伴随着呼吸急促。

急性胸痛综合征占超过700万急诊每年在美国,使其最常见的投诉之一。

只有不到8%的患者被诊断为急性胸痛综合征的三个主要心血管原因,这是急性冠脉综合征,肺栓塞或主动脉夹层。然而,这些条件的危及生命的本质和低特异性的临床测试,如心电图、血液检查,导致大量使用心血管和肺的诊断成像,往往产生消极的结果。

病人在急诊科疲于应付高数字和病床短缺,有效地筛选病人的风险非常低这些严重的条件是很重要的。

学习是一种先进的深处人工智能(AI),可以训练搜索寻找模式的x射线图像与疾病有关。

在这项研究中,Kolossvary博士和他的同事们开发了一个开源深入学习模式识别急性胸痛综合征患者在30天的急性冠脉综合征的风险,肺栓塞,主动脉夹层或全因死亡率,基于x射线胸透。

该研究使用电子健康记录的患者呈现急性胸痛综合征x光胸透和额外的心血管或肺动脉造影和/或压力测试在MGH或者波士顿布莱根妇女医院2005年1月至2015年12月。在这项研究中,5750名患者(平均年龄59岁,包括3329名男性)进行了评估。

对23005名患者的深度学习模型训练MGH预测急性冠脉综合征的30天的复合端点,肺栓塞或主动脉夹层和全因死亡率根据胸部x光图像。

这些不良结果的深度学习工具显著提高预测超越年龄、性别和常规临床标记,如肺动脉栓塞血液测试。模型保持其诊断准确性在年龄,性别,种族和种族。使用99%的灵敏度阈值,模型能够推迟额外的测试相比,14%的患者为2%时只使用一个模型将年龄、性别和生物标记数据。

“最初的胸部x光片的分析这些患者使用我们的自动化深度学习模型,我们能够提供更多关于病人准确的预测结果比模型,使用年龄、性别、肌钙蛋白或肺动脉栓塞的信息,”Kolossvary博士说。“我们的结果显示,胸部x光可以用来帮助诊断胸痛病人在急诊室。”

Kolossvary博士说,在未来这样一个自动化的模型可以在后台分析胸部x光检查,帮助选择那些最受益于立即就医,可以帮助识别病人谁可以安全地排放的急诊科。