新的人工智能工具击败了检测心脏病发作的标准方法

匹兹堡大学研究人员今天在《自然医学》杂志上发表的一项研究表明，一种新的机器学习模型使用心电图 (ECG) 读数来诊断和分类心脏病，比现有方法更快、更准确。

“当病人因胸痛进入医院时，我们问的第一个问题是病人是否患有心脏病。看起来这应该很简单，但当心电图不清楚时，可能需要长达 24 小时才能完成额外的测试，”主要作者、皮特大学副教授 Salah Al-Zaiti 博士、注册护士说道。医学院设有护理学院以及急诊医学和心脏病学学院。“我们的模型通过改进风险评估来帮助解决这一重大挑战，以便患者能够立即获得适当的护理。”

在心电图的波峰和波谷中，临床医生可以轻松识别出一种独特的模式，该模式表明最严重的心脏病发作类型(STEMI)。这些严重的发作是由冠状动脉完全阻塞引起的，需要立即干预以恢复血流。

问题是，几乎三分之二的心脏病发作是由严重阻塞引起的，但没有明显的心电图模式。新工具有助于检测心电图中临床医生难以发现的细微线索，并改善胸痛患者的分类。

该模型由合著者 Ervin Sejdić 博士开发，他是多伦多大学 Edward S. Rogers 电气与计算机工程系副教授、北约克总医院人工智能健康结果研究主席在多伦多，收集了匹兹堡三家医院 4,026 名胸痛患者的心电图。然后该模型在来自不同医院系统的 3,287 名患者中进行了外部验证。

研究人员将他们的模型与评估心脏事件的三个​​黄金标准进行了比较：经验丰富的临床医生对心电图的解释、商业心电图算法和 HEART 评分，后者考虑了就诊时的病史(包括疼痛和其他症状)、心电图解释、年龄、风险因素，例如吸烟、糖尿病、高胆固醇——以及一种叫做肌钙蛋白的蛋白质的血液水平。

该模型的表现优于所有三个模型，准确地将三分之一的胸痛患者重新分类为低、中或高风险。

“在我们最疯狂的梦想中，我们希望能够达到 HEART 的准确性，但我们惊讶地发现我们仅基于心电图的机器学习模型超过了这个分数，”Al-Zaiti 说。

合著者、医学博士、公共卫生硕士、UPMC 紧急医疗服务 (EMS) 部门负责人 Christian Martin-Gill 表示，该算法将帮助 EMS 人员和急诊科提供者识别心脏病发作者和血流量减少的患者。与传统的心电图分析相比，以更加稳健的方式检测心脏。

“这些信息可以帮助指导 EMS 医疗决策，例如在现场启动某些治疗或提醒医院有高危患者即将到来，”马丁-吉尔补充道。“另一方面，令人兴奋的是，它可以帮助识别不需要去有专门心脏设施的医院的低风险患者，这可以改善院前分诊。”

在这项研究的下一阶段，该团队正在与匹兹堡市紧急医疗服务局合作优化该模型的部署方式。Al-Zaiti 表示，他们正在开发一种基于云的系统，该系统与接收来自 EMS 的心电图读数的医院指挥中心集成。该模型将分析心电图并发回患者的风险评估，实时指导医疗决策。