心力衰竭以心肌薄弱或受损为特征导致液体逐渐积聚在患者的肺部、腿部、足部和身体其他部位。这种疾病是慢性的且无法治愈常导致心律失常或心搏骤停。几个世纪以来放血和水蛭疗法是首选治疗方法尤其在欧洲由理发师外科医生实施当时医生很少对患者进行手术。进入21世纪心力衰竭的管理已明显摆脱了中世纪的方式如今患者接受健康生活方式改变、药物治疗有时还使用起搏器。然而心力衰竭仍然是发病和死亡的主要原因之一给全球医疗系统带来沉重负担。“大约一半被诊断出心力衰竭的患者会在确诊后五年内死亡”某机构的博士生、一篇介绍用于预测心力衰竭的深度学习模型新论文的共同第一作者表示。“了解患者住院后的病情发展对于分配有限资源非常重要。”该论文由某机构、某中心和某医学院的研究团队发表在《柳叶刀》子刊《eClinical Medicine》上分享了开发和测试PULSE-HF的结果。PULSE-HF大致代表“通过心力衰竭患者的心电图预测左心室收缩功能变化”。该项目在某实验室进行。该深度学习模型在来自三家医院某中心、某机构以及公开数据集MIMIC-IV的三个不同患者队列中进行了开发和回顾性测试能够准确预测左心室射血分数的变化即心脏左心室泵出的血液百分比。健康的人类心脏每次跳动从左心室泵出约50%至70%的血液——低于此值被视为潜在问题的迹象。“该模型输入心电图输出预测在未来一年内射血分数是否将降至40%以下”另一名博士生、该论文的共同第一作者表示。“这是心力衰竭中最严重的亚组。”如果PULSE-HF预测患者的射血分数可能在一年内恶化临床医生可以优先安排该患者进行随访。随后低风险患者可以减少就诊次数以及在进行12导联心电图时粘贴10个电极所花费的时间。该模型还可部署在资源匮乏的临床环境中包括农村地区的医生办公室这些地方通常没有雇佣心脏超声技师每天进行超声检查。“PULSE-HF与其他心力衰竭心电图方法的最大区别在于它做的是预测而非检测。”论文指出迄今为止尚无其他方法能够预测心力衰竭患者未来LVEF的下降。在测试和验证过程中研究人员使用“受试者工作特征曲线下面积”指标来衡量PULSE-HF的性能。AUROC通常用于衡量模型区分不同类别的能力范围在0到1之间0.5表示随机1表示完美。PULSE-HF在所有三个患者队列中达到了0.87至0.91的AUROC。值得注意的是研究人员还构建了单导联ECG版本的PULSE-HF这意味着只需在身体上放置一个电极。尽管12导联ECG通常被认为更全面、更准确但单导联版本的PULSE-HF性能与12导联版本同样强大。尽管PULSE-HF背后的想法简洁优雅但与大多数临床AI研究一样其执行过程非常费力。“完成这个项目花了好几年时间”另一位研究人员回忆道。“经历了多次迭代。”团队面临的最大挑战之一是收集、处理和清洗心电图和超声心动图数据集。虽然模型旨在预测患者的射血分数但训练数据的标签并不总是现成的。就像学生使用带答案的教科书学习一样标签对于帮助机器学习模型正确识别数据中的模式至关重要。干净、线性的TXT文件格式通常最适合训练模型。但超声心动图文件通常为PDF格式当PDF转换为TXT文件时文本会因换行和格式而被打乱使模型难以读取。现实场景中不可预测的性质如患者躁动或导联松动也会污染数据。“存在大量需要清理的信号伪影”研究人员说。“这有点像无休止的兔子洞。”虽然研究人员承认更复杂的方法有助于过滤数据以获得更好的信号但这些方法的实用性有限。“什么时候该停止”另一位问道。“必须考虑使用场景——拥有一个能在略微混乱的数据上运行的模型是否最简单因为现实可能就是如此。”研究人员预计PULSE-HF的下一步将是针对真实患者进行前瞻性研究测试这些患者未来的射血分数是未知的。尽管将PULSE-HF这样的临床AI工具推向终点线存在固有挑战包括可能延长博士学业一年的风险但学生们认为多年的努力是值得的。“我认为事情的回报部分源于它们的挑战性”一位研究人员说。“一位朋友对我说‘如果你认为毕业后会找到你的使命如果你的使命真的是你的使命那么它会在你多花一年毕业的时间里等着你。’……在机器学习与健康领域对我们作为研究人员的评价方式与其他机器学习领域不同。这个社区中的每个人都理解这里存在的独特挑战。”“这个世界上有太多的痛苦”另一位研究人员说她在一次健康事件后意识到机器学习在医疗保健中的重要性。“任何试图减轻痛苦的事情我都会认为是对我时间的宝贵利用。”FINISHED更多精彩内容 请关注我的个人公众号 公众号办公AI智能小助手或者 我的个人博客 https://blog.qife122.com/对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号网络安全技术点滴分享