研究人员已开发出ECG2Stroke，这是一种深度学习模型，可利用心电图数据、年龄和性别来提前10年预测中风风险。
一支由美国波士顿马萨诸塞州总医院布里格姆和位于马萨诸塞州剑桥市的麻省理工学院与哈佛大学Broad研究所的研究人员共同领导的团队，已开发并验证了一种人工智能模型，该模型可以通过一次仅需10秒的心脏病学测试，提前10年预测一个人的中风风险。
该模型被称为ECG2Stroke，它使用了心电图的信息，这是一种低成本、非侵入性测试，通过放置在皮肤上的电极传感器记录心脏的电活动。
"现有的用于识别哪些患者中风风险最高的工具通常需要繁琐的临床评分计算，不易扩展，因此在常规实践中并未得到广泛应用，"联合首席作者、马萨诸塞州总医院布里格姆神经科学研究所的神经学家兼Broad心血管疾病倡议成员拉胡尔·马哈詹博士表示。
为了探索更具扩展性的方法，马哈詹及其同事利用马萨诸塞州总医院的患者数据开发了一种深度学习模型。深度学习是一种人工智能形式，能够在大型数据集中识别复杂模式。在这种情况下，该系统旨在检测心电图中可能在常规临床解释中不明显但可能仍包含有关长期心血管和脑血管风险信息的细微波形特征。
研究人员还在波士顿的布莱根妇女医院和贝斯以色列女执事医疗中心的患者中测试了ECG2Stroke模型。总计，来自超过20万名患者的信息被用于训练和验证该模型，该模型在不同医院和患者亚组中进行了评估。
研究结果显示，仅使用心电图数据以及患者年龄和性别的ECG2Stroke能够持续预测未来10年内的中风风险。据报道，其性能与已验证的临床风险评分相似，同时使用了一种在常规医疗实践中已广泛可用的测试。
研究人员发现，与心房功能障碍相关的特征——接收从身体返回血液的心脏上腔——对模型预测具有最强的影响。这一发现表明，心脏看似微妙的电信号可能有助于揭示与中风风险相关的潜在异常。
该模型在预测心源性栓塞性中风方面特别准确。这种类型的中风发生在心脏形成血栓、脱落并通过血液流动到达大脑时，可能导致血流阻塞。心源性栓塞性中风在临床上很重要，因为对某些患者而言，可以通过抗凝药物预防。
"如果在前瞻性真实世界研究中得到证实，此类工具可以识别哪些患者应优先考虑进行强化预防工作，"联合高级作者、马萨诸塞州总医院布里格姆心脏与血管研究所的心脏病专家兼Broad心血管疾病倡议成员沙安·库尔希德博士表示。
"该工具还可能有助于推动未来关于心脏上腔异常及其与中风联系的机制研究，"库尔希德总结道。
【全文结束】