新型AI能更准确预测疑似或已知心脏病患者的死亡可能会

一种原先型的人工智能(AI)得分对起因于或已知冠状动脉病症病患在10年底遇害的意味著官能的预测比全世界卫生专业原先科技人员用作的既定得分更加准确。这项深入研究而今在东欧胸腔病学才会(ESC)的科学知识大才会EuroEcho 2021上发表。

跟基于药理学信息的传统方法各不相同，原先得分都是胸腔的成像信息，由压力心血管疾病磁共振(CMR)测定。“压力”是指病患在磁共振成像探头之中时被拒绝做一种药物以模拟运动对胸腔的受到影响。

深入研究写作者、美国巴尔的摩大约翰-霍普金斯医院的Theo Pezel芝加哥大学指出：“这是第一个标示出信息挖掘跟药理学变量加上压力CMR并不需要相当准确地预测遇害必要性的深入研究。深入研究分析表明，有征状、晕眩或心血管疾病病症必要性原因的病患应该做凋亡官能CMR检查并数值其得分。这将使我们能为那些最需要的人提供更外围的随访和运动、饮食等方面的建议。”

必要性分层举例来说用于心血管疾病病症病患或高必要性病患，以此来优化旨在公共卫生胸腔病发作、之脑出血和胸腔猝死的管理。传统的数值器用作有限的药理学信息如年龄、官能别、酒精状况、血压和胆。这项深入研究检验了信息挖掘能用凋亡官能CMR和药理学信息预测起因于或已知冠状动脉病症病患10年全因遇害率的准确官能并将其官能能跟现有得分完成了相对。

Pezel芝加哥大学解释称：“对于药理学医生来说，我们从病人手上收集的一些信息意味著看起来跟必要性分层比如说。但信息挖掘可以同时分析大量的变量并意味著发现我们不知道依赖于的关联从而改善必要性预测。”

该深入研究归入了2008年至2018年期间因征状、劳累时呼吸短促或心血管疾病病症高必要性但无副作用而转诊至布鲁塞尔某之中心完成压力CMR的31752名病患。高必要性被定义为至少有两个必要性原因，如哮喘、糖尿病、血脂异常和也就是说酒精。平均年龄为64岁，66%为男官能。深入研究原先科技人员收集了23个药理学变量和11个CMR变量的信息。他们对病患完成了之中位数为6年的全因遇害随访，这是从阿尔及利亚发达国家遇害已登记获得的。在随访期间，2679名（8.4%）病患遇害。

信息挖掘则分两步完成：首先，它被用来选择哪些药理学和CMR变量可以预测遇害，哪些不可以；其次，信息挖掘被用来在第一步确定的重要变量的基础上建立一个算法，对每个变量分配各不相同的信息化以创建最佳预测，然后再给病患在10年底遇害的意味著官能打出0（低必要性）到10（高必要性）的得分。

信息挖掘得分并不需要预测哪些病人才会活着或遇害，准确率为76%（在生物学上，曲线下面积为0.76）。Pezel芝加哥大学表示：“这意味着在大约3/4的病人之中，该得分特别强调了正确的预测。”

通过用作相同的信息，深入研究原先科技人员用作既定的得分数值出10年全因遇害的必要性，这些都没有用作信息挖掘。跟其他得分相比，信息挖掘得分在预测10年全因遇害率方面的曲线下面积明显更高：SCORE = 0.66，QRISK3 = 0.64，FRS = 0.63，C-CMR-10 = 0.68。

Pezel表示：“凋亡官能CMR是一种安全的原先科技，不用作辐射。我们的深入研究分析表明，在AI激发的算法之中把这种成像信息跟药理学信息混合起来意味著是一种有用的工具，它有助于公共卫生有心血管疾病副作用或危险原因的病人的心血管疾病病症和胸腔猝死。”