哈佛大学附属麻省总医院和麻省理工学院和哈佛大学布罗德研究所的研究人员领导的一个团队开发了一种基于人工智能的方法，用于识别有心房颤动风险的患者
心房纤维性颤动——一种不规则且经常快速的心率——是一种常见的疾病，通常会导致心脏中血栓的形成，这些血栓可以传播到大脑中，从而导致中风。这项研究发表在《循环》杂志上。
研究人员开发了基于人工智能的方法，在未来五年内，基于45,770名在MGH接受初级护理的患者的心电图(记录心脏电信号的无创测试)结果，预测房颤的风险。
接下来，科学家们将他们的方法应用于三个大数据集，这些数据集来自于总共83162个人的研究。基于人工智能的方法可自行预测房颤风险，与已知的临床危险因素联合预测房颤具有协同效应。该方法对有心衰或中风病史的个体也具有高度的预测性。
“我们看到了基于心电图的人工智能算法的作用，它可以帮助识别最有可能发生心房颤动的个人，”MGH的心脏电生理学家、布罗德研究所(Broad Institute)的副教授、哈佛医学院(Harvard Medical School)的医学副教授史蒂文·a·卢比茨(Steven a . Lubitz)说。
Lubitz解释说，该算法可以作为一种预先筛选工具，用于目前可能正在经历未被发现的心房颤动的患者，促使临床医生使用较长期的心律监测仪来搜索心房颤动，这反过来可能导致中风预防措施。
这项研究的发现还证明了人工智能——在这种情况下涉及一种被称为机器学习的特定类型——在推进医学方面的潜在力量。“数据爆炸的科学技术和大量的临床数据,机器学习将帮助临床医生和研究人员在提高心脏病护理迈出一大步,”合著者安东尼Philippakis说,首席数据官的广泛联合研究所的埃里克·施密特和温迪中心。“作为一名数据科学家和前心脏病学家，我很高兴看到基于机器学习的方法如何与我们每天使用的测试和临床方法一起工作，以帮助我们改善风险预测和照顾心房纤颤患者。”
MGH的电生理学临床和研究人员Shaan Khurshid补充说:“这种算法的应用可以促使临床医生修改心房颤动的重要风险因素，这可能会降低整个疾病的发展风险。”
联合首席作者Shaan Khurshid, MGH的电生理学临床和研究人员;合著者包括Samuel Friedman, Christopher Reeder, Paolo Di Achille, Nathaniel Diamant, Pulkit Singh, Lia X. Harrington, Xin Wang, Mostafa A. Al-Alusi, Gopal Sarma, Andrea S. Foulkes, Patrick T. Ellinor, Christopher D. Anderson, Jennifer E. Ho和Puneet Batra。
这项工作得到了美国国立卫生研究院、美国心脏协会、多丽丝杜克基金会和Leducq基金会的支持。
文章旨在传播新闻信息，原文请查看https://news.harvard.edu/gazette/story/2021/11/ai-based-method-predicts-risk-of-atrial-fibrillation/