西达-赛奈Smidt心脏研究所的研究人员发现，一种人工智能（AI）算法可以检测出尚未出现症状人群的心律异常。

该算法可以识别常规医学诊断测试中的隐藏信号，帮助医生更好地预防心房颤动患者发生中风和其他心血管并发症（心房颤动是最常见的心律失常类型）。

之前开发的算法主要用于白人群体。此次的算法适用于不同的环境和患者群体，包括美国退伍军人和被忽视的人群。2023年10月18日，《美国医学会杂志·心脏病学》发布了该研究结果。

Smidt心脏研究所心脏科心脏病专家、医学人工智能部研究员、该研究的高级作者David Ouyang表示：“这项研究可以更好地识别隐藏性心脏病，也为开发公平且普及性高（可推广至所有患者）的算法提供了最佳方法。”

专家估计，大约三分之一的心房颤动患者不知道自己患有房颤。

发生心房颤动时，心脏中调节血液从上腔泵送到下腔的电信号是混乱的，这会导致上腔的血液聚集并形成血栓，血栓如果进入大脑就会引发缺血性中风。

为了创建该算法，研究人员编程了一个人工智能工具来研究心电图读数中的模式。心电图是一种监测心脏电信号的测试，通过在受测试人员身上放置电极来检测心脏的电活动。

从两个退伍军人事务健康网络获取了1987年1月1日至2022年12月31日期间就诊患者的心电图读数，通过这些读数来训练该算法。在近一百万份心电图上进行了训练后，该算法准确预测了在31天内会发生心房颤动的患者。

也将该人工智能模型应用到了西达-赛奈患者的医疗记录上，其同样准确预测了31天内会发生心房颤动的病例。

人工智能医学部主任、心脏病部心律中心医学主任Sumeet Chugh博士表示：“退伍军人通常来自全国各地且种族多样，这项研究基于退伍军人就意味着该算法适用于美国的普通大众。”

研究人员计划继续研究该算法，作为前瞻性临床试验的一部分，确定其是否有助于识别存在心脏病发作和中风风险的人群。他们还计划开发更多的人工智能算法。

参考来源：[1]Medical Xpress[2]Yuan N, Duffy G, Dhruva SS, Oesterle A, Pellegrini CN, Theurer J, Vali M, Heidenreich PA, Keyhani S, Ouyang D. Deep Learning of Electrocardiograms in Sinus Rhythm From US Veterans to Predict Atrial Fibrillation. JAMA Cardiol. 2023 Oct 18. doi: 10.1001/jamacardio.2023.3701. Epub ahead of print. PMID: 37851434.