外媒 | 机器学习模型检测心脏病发作表现优异于标准方法-普瑞纯证

匹兹堡医学中心（UPMC）的研究人员开发了一种机器学习（ML）工具，能够利用心电图（ECG）读数更快、更准确地检测和分类心脏病发作。该模型的开发旨在解决胸痛分诊中的常见问题：ECG不清晰。研究报告的主要作者、匹兹堡护理学院的副教授、急诊医学和心脏病学的萨拉·阿尔-扎伊蒂博士在新闻发布会上表示：“当患者因胸痛来到医院时，我们首先要问的问题是患者是否正在发生心脏病发作。这似乎应该是简单明了的，但当ECG不清晰时，可能需要24小时才能完成其他测试。”“我们的模型有助于解决这一主要挑战，通过改善风险评估，使患者能够及时得到适当的护理。”

这项研究发现，ECG读数中峰值和谷值的明显模式对于诊断心脏病发作至关重要，但高达三分之二的心脏病发作并没有这些模式。对于由冠状动脉完全堵塞引起的严重心脏病发作，即ST段抬高型心肌梗死（STEMI），如果未能在ECG中识别出线索，可能会导致生命危险的并发症。因此，该ML工具旨在帮助检测ECG中可能被忽略的亚型，从而提供及时的医疗服务，避免因延误而导致的生命危险。该模型还可以根据患者是否具有心脏病发作的低、中、高风险分类。

该模型是通过对匹兹堡、宾夕法尼亚州的三家医院的4,026名胸痛患者的ECG数据进行开发的。然后，该工具使用了来自另一个医疗系统的3,287名患者的数据进行验证。为了测试该算法，研究人员将其性能与评估心脏事件的三个标准进行了比较：经验丰富的临床医生对ECG的解读、商业ECG算法和历史、心电图、年龄、风险因素、肌钙蛋白（HEART）评分。研究人员表示，他们希望匹配HEART评分的准确性，但他们发现ML显著超过了金标准方法的表现。该工具能够将三分之一的胸痛患者准确地重新分类为低、中等或高风险。

版权声明 本网站所有注明“来源：普瑞纯证”或“来源：pureFDA”的文字、图片和音视频资料，版权均属于普瑞纯证网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：普瑞纯证”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。