机器学习程序预测的死亡风险基于常规医院测试结果
![Model performances in diagnostic and sex-based subpopulations. a Performance of DL: ECG traces, Age, Sex models in different primary diagnosis subgroups. The models performed better in patients with STEMI and NSTEMI (AUROC of 0.867 and 0.882 for 1-year mortality, respectively) than in the overall cohort. The performance of the model in the other subgroups (heart failure, diabetes and atrial fibrillation) was lower than in the overall holdout cohort. b The prognostic models performed slightly better in men than in women. AUROC Area under the receiver operating characteristic curve, DL deep learning, ECG electrocardiogram, NSTEMI non-ST elevation myocardial infarction, STEMI ST elevation myocardial infarction. 机器学习程序预测的死亡风险基于常规医院测试结果](https://scx1.b-cdn.net/csz/news/800a/2023/machine-learning-progr.jpg)
如果你曾经住院或访问一个急诊,你可能有一个心电图,心电图,一个标准的测试包括微型电极贴在胸前,检查心脏的节奏和电活动。
医院ecg通常是由医生或护士摆放在你的床边,但现在研究人员利用人工智能从这些结果中收集更多的信息来提高你的保健和医疗系统。
在最近发表的研究结果,研究团队构建和训练机器学习程序基于160万ecg进行2007年和2020年之间的244077名患者在阿尔伯塔省北部。
算法预测死亡的风险从那时每个病人的各种原因中一个月,一年,五年和一个85%的准确率,从低到高排序患者分为五类风险。时的预测更准确的统计信息(年龄和性别)和六个标准实验室包括血液检测结果。
这项研究是一个概念验证使用定期收集数据来改善个人护理和允许医疗系统“学习”,根据首席研究员莲花Kaul医学教授和加拿大联合活力中心。
“我们想知道是否我们可以使用新方法人工智能和机器学习分析数据和识别患者面临高死亡率,”科尔说。“这些发现说明机器学习模型可以用来转换经常收集的数据临床实践知识可以用来增强决策的护理作为一个学习医疗保健系统的一部分。”
如果你有临床医生会要求你做心电图高血压或心脏病的症状,如胸部疼痛、气短或心率不齐。的第一阶段研究了心电图结果所有病人,但科尔和她的团队希望能完善这些模型能够为特定人群病人。他们还计划重点预测之外的全因死亡率特别针对心脏方面的死因。
“有很大的推动,看看我们可以使用AI改善卫生保健的交付,”科尔说。使用高性能计算的优势在于,与人类不同的是,它可以看到大量的数据点的模式,她说。“我们想要的数据生成的医疗保健系统,将它转换成知识和充入系统,这样我们可以改善保健和结果。这是一个学习的定义医疗保健系统”。
这项研究发表在《华尔街日报》npj数字医学。
更多信息:基于太阳et al,尾戒缠住了对人工智能的学习群体的死亡率预测卫生系统使用心电图,npj数字医学(2023)。DOI: 10.1038 / s41746 - 023 - 00765 - 3