加入收藏 | 设为首页 |

国际人才网-研讨:使用机器学习来估量心血管逝世的危险

海外新闻 时间: 浏览:143 次

仅使用患者心电图(ECG)信号的前15分钟,麻省理工学院系统就会产生一个分数,将患者置于不同的风险类别。图片来源:麻省理工学院

人类天生就是规避风险:我们花时间计算路线和惯例,采取预防措施以福清陈声清避免疾病,危险和绝望。

尽管如此,我们国际人才网-研讨:使用机器学习来估量心血管逝世的危险控制生物学内部运作的措施可能会更加难以驾驭。考虑到这一点,麻省理工学院计算机科学与人工智能实验室(CSAIL)的团队提出了一个新的系统来更好地预测健康结果:一种机器学习模型,可以根据心脏的电活动来估计患者的风险。心血管死亡。

该系统名为“RiskCardio”,专注于在急性冠状动脉综合征(ACS)中存活的患者,这是指一系列心脏血液减少或阻塞的情况。仅使用患者原始心电图(ECG)信号的前15分钟,该工具就会产生一个分数,将患者置于不同的风险类别。

与最低四分位数的低风险组相比,RiskCardio的高风险患者 - 最高四分位数患者 - 死于心血管死亡的可能性几乎高出七倍。相比之下,通过最常见的现有风险指标确定为高风险的患者与低风险对应者相比,遭受不良事件的可能性仅为其三倍。

“我们正在研究如何将非常长的时间序列纳入风险评分的数据问题,以及我们如何帮助医生识别急性冠状动脉事件后高风险患者的临床问题,”第一作者Divya Shanmugam说。在一篇关于RiskCardio的新论文中。“机器学习和医疗保健的交叉充满了这样的组合 - 一个引人注目的计算机科学问题,具有潜在的现实影响。”

以前的机器学习模型试图通过利用外部患者信息(如年龄或体重),或使用特定于系统的知识和专业知识(更广泛地称为特定领域的知识)来帮助他们的模型选择不同的风险特征。

然而,RiskCardio仅使用患者的原始ECG信号,没有其他信息。说患者在ACS后进入医院检查。入院后,医生会首先使用医疗数据和冗长的测试来估计心血管死亡或心脏病发作的风险,然后选择一个疗程。RiskCardio旨在改善风险评估的第一步。为此,系统将患者的信号分离成多组连续搏动,并认为相邻搏动之间的可变性告知下游风险。使用来自过去患者的研究的数据训练该系国际人才网-研讨:使用机器学习来估量心血管逝世的危险统。

为了使模型正常运行,团队首先将每个患者的信号分离成一组相邻的心跳。然后,他们为每组相邻的心跳指定了一个标签 - 即患者是否死于心血管死亡。研究人员训练该模型将每对相邻的心跳分类为其患者结果:死亡患者的心跳标记为“有风险”,而幸存患者的心跳标记为“正常”。

给定一名新患者,该团队通过平均每组相邻心跳的患者预测来创建风险评分。在患有ACS的患者的前15分钟内,有足够的信息来估计他们是否会在30,60,90或365天内患心血管疾病。尽管如此,仅从ECG信号计算风险评分并非易事。信号非常长,随着模型输入数量的增加,学习这些输入之间的关系变得更加困难。

该团队通过为一组患者制作风险评分来测试该模型。然后,与一组低风险患者相比,他们测量了患者作为高风险患者心血管死亡的可能性。他们发现,在大约1,250名ACS后患者中,28名患者会在一年内死于心血管死亡。使用建议的风险评分,28名患者中的19名被归类为高风险。

在未来,国际人才网-研讨:使用机器学习来估量心血管逝世的危险该团队希望使数据集更具包容性,以适应不同的年龄,种族和性别。他们还计划检查存在大量标签不良或未标记数据的医疗情景,并评估他们的系统如何处理和处理该信息以解决更多模糊的情况。“机器学习特别擅长识别模式,这与评估患者风险密切相关,”Shanmugam说。“风险评分对于沟通患者状态很有用,这对于做出有效的护理决策很有价值。”#清风计划# #健康真探社#