機器學習可能有助于減少非心臟手術后的死亡率

一項由博士領導的新研究。西澳大利亞大學的研究人員發(fā)現(xiàn)，使用計算機或機器學習的人工智能可能有助于減少非心臟手術后常見的心血管并發(fā)癥，包括心臟病發(fā)作和心肌損傷。

來自西澳大學醫(yī)學院和皇家珀斯醫(yī)院的 Janis Nolde 博士和一個國際研究小組評估了非心臟手術患者隊列評估 (VISION) 血管事件研究 (VISION) 研究中 24,000 多名參與者的數(shù)據(jù)，結果發(fā)表在麻醉。

該團隊希望確定機器學習和數(shù)據(jù)是否可以預測醫(yī)療并發(fā)癥，尤其是手術(心臟手術除外)引起的心血管并發(fā)癥，以便更好地識別和治療易受傷害的患者。

“每年，全球有超過 2 億患者接受重大的非心臟手術，其中約 1000 萬患者在 30 天內(nèi)經(jīng)歷了嚴重的心血管事件，這可能導致更高的死亡率、健康狀況不佳和長期生存率下降，”諾爾德博士說。

“手術后最常見的心血管并發(fā)癥是心臟病發(fā)作和心肌損傷，但它們通常很難被發(fā)現(xiàn)，因為癥狀可能是隱藏的，常規(guī)檢查可能會漏掉它們。”

研究小組使用一種敏感的實驗室測試來測量在心肌受損或受傷時釋放到血液中的蛋白質(zhì)(肌鈣蛋白)，發(fā)現(xiàn)六分之一的患者在術后前三天水平升高。

“這種情況被稱為非心臟手術后的心肌損傷，在接下來的幾周內(nèi)與死亡和其他嚴重并發(fā)癥的風險大大增加有關，但很難通過年齡、健康狀況、任何潛在的醫(yī)學疾病和手術期間或手術后早期出現(xiàn)的問題，都需要考慮在內(nèi)，”諾爾德博士說。

“機器學習，尤其是神經(jīng)網(wǎng)絡，提供了一種很有前途的方法，因為這些技術可以分析大量數(shù)據(jù)并識別復雜的模式和關系，否則很難發(fā)現(xiàn)這些模式和關系。它們具有很強的適應性，因此可以針對許多不同的設置進行實施和定制。 “

標簽：