Cedars-Sinai 研究表明深度学习模型可以改善 AFib 检测
位于洛杉矶的斯密特心脏研究所的研究人员开发的一种新的人工智能方法已被证明可以检测与心房颤动相关的异常心律，否则医生可能不会注意到这种情况。 为什么它很重要斯密特心脏研究所的研究人员表示，研究结果表明人工智能有可能更广泛地应用于心脏护理领域。 在最近的一项研究中，发表于 npj数字医学Cedars-Sinai 临床医生展示了如何开发深度学习模型来分析超声心动图成像图像，其中声波显示心脏节律。 研究人员解释说，他们训练了一个程序来研究来自房颤患者的超过 100,000 个超声心动图视频。 该模型区分了显示窦性心律（正常心跳）的超声心动图和显示心律不齐的超声心动图。 他们表示，该程序能够预测哪些窦性心律患者在 90 天内经历过或将出现房颤，并指出评估图像的人工智能模型比基于已知风险因素估计风险的效果更好。 “我们能够证明，我们开发的深度学习算法可以应用于超声心动图，以识别患有隐藏的异常心律疾病（称为心房颤动）的患者，”斯密特心脏研究所的研究员 Neal Yuan 博士解释道。 “心房颤动可能会反复出现，”他补充道，“因此在医生预约时可能不会出现心房颤动。即使在超声心动图研究期间心房颤动并未出现，这种人工智能算法也能识别出可能患有心房颤动的患者。” 更大的趋势斯密特心脏研究所是加州最大、美国第三大心胸移植中心。 据 CDC 估计，到 2030 年，美国将有 1210 万人患有心房颤动。 在 AFib 期间，心脏的上腔室有时与下腔室同步跳动，有时则不然，这使得临床医生通常很难发现心律失常。 在某些患者中，这种情况根本不会引起任何症状。 研究人员表示，经过训练来分析回声成像的机器学习模型可以帮助临床医生发现未确诊心律失常患者心脏的早期细微变化。 事实上，人工智能长期以来一直在早期检测 AFib 方面展现出巨大的前景，卫生系统的类似研究证明了这一点，例如 盖辛格 和 梅奥诊所。 记录在案斯密特心脏研究所的心脏病专家兼人工智能研究员 David Ouyang 博士表示：“我们感到鼓舞的是，这项技术可能会发现人眼在查看超声心动图时无法发现的危险状况。” “它可能用于有房颤风险或正在经历与该病相关症状的患者。” “该程序预测哪些患者患有活动性或隐性心房颤动，这一事实可能具有巨大的临床应用价值，”斯密特心脏研究所心脏病学系主任 Christine M. Albert 博士补充道。 “能够识别出患有隐性心房颤动的患者可以让我们在他们经历严重的心血管事件之前对其进行治疗。” Mike Miliard 是《医疗保健 IT 新闻》的执行主编给作者发电子邮件： [email protected]医疗保健 IT 新闻是 […]