宾夕法尼亚州立大学的研究人员正在使用机器学习和现有的心电图（ECG）数据来帮助医生做出更准确的预测。在宾夕法尼亚州立大学临床与转化科学研究所（CTSI）种子资助项目的支持下，一组人工智能工程师与宾夕法尼亚州立大学心脏和血管研究所的一组医生合作，正在努力开发用于护理点、内部使用和技术许可的新算法。

　　宾夕法尼亚州立大学医学助理教授、该项目的首席研究员Ankit Maheshwari说：“有了更强大的算法和更大的数据库，我们可以以更低的成本预测心血管疾病的结果。”“还有其他几个例子可以让医疗保健更高效、更有效。”

　　有前途的飞行员

　　9月发表在《心律》杂志上的一项初步研究报告了一个模型，该模型可以通过分析一个相对便宜和常见的心脏测试（标准的12导联心电图，测量心脏的电活动）的一次心跳，来预测未知原因的中风患者是否会发展为心房颤动（AFib）或不规则心跳。

　　很大一部分原因不明的中风与潜在的亚临床阵发性心房颤动有关，这是一种可能持续几分钟的不规则心跳，但患者没有任何症状。血液稀释剂可以预防心房纤颤相关的中风。目前的护理标准是植入一个循环记录仪，一种放置在皮肤下的设备，可以跟踪心脏活动以检查心房颤动。Maheshwari解释说，这有助于医生决定患者是否应该服用血液稀释剂来预防未来的中风。

　　研究小组想看看他们是否可以使用标准的12导联心电图来预测心房纤颤，而不是依赖于循环记录仪。该团队利用宾夕法尼亚州立大学现有的心电图数据汇编了一个小数据集，其中包括植入环路记录仪的隐源性中风或无明确原因的中风患者，以及12导联心电图数据。利用机器学习算法，该团队建立了一个模型，可以获取患者的12导联心电图，并预测他们是否会发展为心房颤动。该模型对测试队列中80%的患者进行了正确分类。

　　Maheshwari说：“这项初步研究表明，即使只有200到300名患者，我们也可以创建一个有用的预测模型。”

　　向上扩展：扩展数据库扩展应用程序

　　下一步，该团队的目标是扩展数据库，允许更广泛的应用，Maheshwari解释说。他补充说，研究人员通过数据增强技术实现了高水平的准确性，从而提高了预测性能。

　　Maheshwari说：“我们的目标是将大学医疗记录系统中的180万张心电图组织到一个可搜索的数据库中，以促进大量ECG分析，以支持未来旨在利用12导联ECG预测心血管结果和改善患者护理的项目。”

　　Maheshwari说，这一发展的关键是与其他机构的合作。他解释说，合作为跨独立数据集验证他们的模型提供了机会，这对于确认该模型可以在更大的临床环境中有效使用非常重要。

　　宾夕法尼亚州立大学CTSI主任Jennifer Kraschnewski说：“我很感谢我们CTSI信息学核心的领导和他们对我们杰出合作者的参与。”“他们的重要努力利用了我们大学的专业知识，将人工智能和机器学习的力量与我们的电子健康记录结合起来，将临床和转化科学带入未来。”

　　预测模型的更广泛含义

　　研究人员说，研究小组的预测模型不仅可以用于心房颤动，还可以应用于其他与心脏相关的领域。Maheshwari解释说，例如，有可能使用机器学习来预测何时在接受经导管主动脉瓣置换术的患者中使用起搏器。这种手术是微创的，需要将导管穿过腹股沟，进入心脏，用人造瓣膜替换失效的瓣膜。

　　他说：“这可能会导致更好的患者选择和结果，帮助医生确定谁最有可能从手术中受益，谁可能面临并发症。”

　　根据研究人员的说法，心电图数据也可以帮助预测冠状动脉病变的存在，而不需要成像压力测试。这样的预测可以简化诊断过程并降低成本。

　　Maheshwari说：“这些进步凸显了机器学习在提高心脏护理效率方面的巨大潜力。”

　　他补充说，机器学习中的人类因素将永远是至关重要的，并强调人类对脑电图中生物信号的理解可以提高机器学习模型的有效性。

　　“这涉及到相当多的人工工作。你对生物学了解得越多，你就能让机器更有效地帮助你。”

　　未来的发展方向

　　在获得初始资金后，该团队现在专注于建立他们的心电图数据库并验证他们的预测模型。他们的目标是建立一个功能齐全的数据库，使他们能够进行更大规模的研究，并有可能申请额外的资金来支持随机对照试验。

　　宾夕法尼亚州立大学CTSI信息学核心的联合负责人、生物医学数据科学和人工智能的Dorothy Foehr Huck和J. Lloyd Huck主席、宾夕法尼亚州立大学人工智能基金会和科学应用中心主任Vasant Honavar说：“在大数据集的支持下，人工智能为推进生物医学发现以及个人和人口健康结果提供了前所未有的机会。”

　　该研究团队获得了宾夕法尼亚州立大学CTSI 2024-25年度种子资助计划的资助。该项目的目标是建立必要的合作，以实现人工智能在生物医学和健康研究中的前景和潜力。生物医学和临床研究人员与宾夕法尼亚州立大学CTSI的信息学核心合作，利用人工智能和机器学习来加速发现和改善健康结果。

　　Maheshwari说：“我们的努力不仅有望改善患者护理，而且还代表了未来几年心血管疾病诊断和治疗方式的范式转变。”

　　该研究还得到了美国国立卫生研究院国家促进转化科学中心的资助UL1 TR002014。