麻省理工MIT：运用机器学习模型分析心电图 血管致死风险评估分类更精准-肽度TIMEDOO

RiskCardio系统仅凭患者心电图开头15分钟的数据即可评估心血管致死风险。DSI
TIMEDOO肽度（微信号：Time-doo）获悉，美国麻省理工学院(MIT)电脑科学和人工智慧实验室(CSAIL)的研究团队开发的RiskCardio系统，运用机器学习(machine learning)模型分析急性冠心症(ACS)患者心电图(ECG)开头15分钟的信号以生成风险评分(risk score)，可对患者心血管致死风险提供更正确的评估与分类。

根据MIT News报道，想方设法采取预防性措施以规避危险、绝望、疾病等风险是人类的天性，但人类生理机能的内部运作仍是难以掌握。机器学习特别擅长于寻找模式，运用于健康照护中对于评估患者风险至为关键。此外风险评分对医师在沟通患者状况与进行有效照护决策时非常有价值。

RiskCardio系统聚焦于ACS的幸存患者，具备包括心脏缺血或血管阻塞等症状。以往的机器学习模型在评估死亡风险时，曾尝试运用年龄与体重等患者的外部资讯，或是透过系统专属的领域知识与专长来协助选择模型的各种特性。不过RiskCardio系统只需要患者原始ECG开头15分钟的数据，就可以评估与分类患者因心血管问题而死亡的风险。

不过单靠ECG信号来进行风险评估并不容易，未来CSAIL的研究团队希望让数据集(dataset)更具包容性，可将不同的年龄、种族、性别等因素列入考量。此外CSAIL的研究团队也计划，对存在许多未标签化或未适当标签化数据的医疗案例进行检视，判断如何运用RiskCardio系统处理那些资讯，以对较不明确的病例提供评估。

CSAIL的研究团队透过为1组患者进行风险评分来测试RiskCardio系统的机器学习模型，并比较被评估为高风险的患者与低风险的患者，因心血管问题而死亡的机率相差多少。结果发现约1,250位ACS的患者中，有28位在1年内因心血管问题而死亡，其中19位是被RiskCardio系统的风险评分评估为高风险的患者。

被RiskCardio系统评估为高风险的患者死于心血管疾病的机会，将近是评估为低风险患者的7倍，而被目前最通用的风险衡量标准评估为高风险的患者死于心血管疾病的机会，则仅是评估为低风险患者的3倍，显见RiskCardio系统更为精准。不过由于ECG信号极长且输入模型的数据量不断增加，欲找出数据间的关係也越来越困难。

当患者因ACS住院，医师首先会依据医疗数据与各种耗时的检验，评估心脏病或心血管致死风险以拟定疗程。RiskCardio系统的目标即是要改善此一风险评估程序，ACS患者的ECG开头15分钟的信号已有足够的资讯，可据以评估患者是否会在30、60、90、365天内因心血管问题而死亡。

RiskCardio系统是基于连续心跳间的变化可有效判断心血管致死风险的理念，CSAIL的研究团队希望在评估风险时能结合非常长的时间序列(time series)，协助医师更准确、快速的从ACS患者当中找出具有高致死风险的患者。RiskCardio系统的机器学习模型是以从前的患者研究数据进行训练。

CSAIL的研究团队首先将患者的ECG信号切分为许多组的连续心跳，接著根据患者实际上是否因心血管问题而死亡的结果，训练机器学习模型为每一组连续心跳进行分类并赋予标签，死亡患者的心跳标签为「有风险」，生还的心跳标签为「正常」。而当RiskCardio系统在评估新患者时，则是将该患者的每一组连续心跳的预测取平均值后生成风险评分。