机器算法使用85个变量来计算个体的风险

机器学习在预测死亡或心脏病发作方面超越了人类。这是今天在ICNC 2019上发表的一项研究的主要信息。

国际核心脏病学和心脏CT会议(ICNC)由美国核心脏病学会(ASNC)，欧洲心脏病学会(ESC)的欧洲心血管成像协会(EACVI)和欧洲协会共同组织。核医学(EANM)。

通过反复分析950名患有已知六年结果的患者中的85个变量，算法“学习”了成像数据如何相互作用。然后，它确定了将变量与死亡和心脏病发作相关联的模式，准确率超过90%。

机器学习是人工智能(AI)的现代基础，每天都在使用。谷歌的搜索引擎，智能手机上的人脸识别，自动驾驶汽车，Netflix和Spotify推荐系统都使用机器学习算法来适应个人用户。

研究作者芬兰图尔库PET中心的Luis Eduardo Juarez-Orozco博士说：“这些进展远远超出了医学方面的进展，我们需要对如何评估风险和结果持谨慎态度。我们有数据但我们还没有充分利用它。“

医生使用风险评分来做出治疗决策。但这些分数仅基于少数变量，并且通常在个体患者中具有适度的准确性。通过重复和调整，机器学习可以利用大量数据并识别人类可能不明显的复杂模式。

Juarez-Orozco博士解释说：“人类很难思考三个维度(一个立方体)或四个维度(一个多维数据集的时间)。当我们跳到第五维度时，我们就失去了。我们的研究表明非常高维模式比单维模式更有用，可以预测个体的结果，因此我们需要机器学习。“

该研究纳入了950例胸痛患者，这些患者接受了该中心通常的寻找冠状动脉疾病的方案。冠状动脉计算机断层扫描血管造影(CCTA)扫描产生了58条关于冠状动脉斑块，血管狭窄和钙化的数据。具有提示疾病的扫描的那些人进行了正电子发射断层扫描(PET)扫描，其产生了17个血流量变量。从医疗记录中获得了十个临床变量，包括性别，年龄，吸烟和糖尿病。

在平均6年的随访期间，有24次心脏病发作，49人死于任何原因。将85个变量输入到名为LogitBoost的机器学习算法中，该算法一遍又一遍地分析它们，直到找到预测心脏病发作或死亡的最佳结构。

Juarez-Orozco博士说：“该算法逐步从数据中学习，经过多轮分析，它确定了应该用于有效识别事件患者的高维模式。结果是个人风险评分。 “

单独使用十个临床变量(类似于当前临床实践)的预测性能是适度的，曲线下面积(AUC)为0.65(其中1.0是完美检验，0.5是随机结果)。当添加PET数据时，AUC增加至0.69。当将CCTA数据添加到临床和PET数据时，预测性能显着增加(p = 0.005)，给出AUC 0.82和超过90%的准确度。

Juarez-Orozco博士说：“医生已经收集了很多关于患者的信息 - 例如那些患有胸痛的患者。我们发现机器学习可以整合这些数据并准确预测个体风险。这应该允许我们个性化治疗并最终导致为患者带来更好的结果。“

标签： 机器算法