智慧應用 影音
Truphone 線上活動
event

MIT運用機器學習模型分析心電圖 血管致死風險評估分類更精準

RiskCardio系統僅憑病患心電圖開頭15分鐘的資料即可評估心血管致死風險。DSI

美國麻省理工學院(MIT)電腦科學和人工智慧實驗室(CSAIL)的研究團隊開發的RiskCardio系統,運用機器學習(machine learning)模型分析急性冠心症(ACS)患者心電圖(ECG)開頭15分鐘的訊號以產生風險評分(risk score),可對病患心血管致死風險提供更正確的評估與分類。

根據MIT News報導,想方設法採取預防性措施以規避危險、絕望、疾病等風險是人類的天性,但人類生理機能的內部運作仍是難以掌握。機器學習特別擅長於尋找模式,運用於健康照護中對於評估病患風險至為關鍵。此外風險評分對醫師在溝通病患狀況與進行有效照護決策時非常有價值。

RiskCardio系統聚焦於ACS的倖存患者,具備包括心臟缺血或血管阻塞等症狀。以往的機器學習模型在評估死亡風險時,曾嘗試運用年齡與體重等病患的外部資訊,或是透過系統專屬的領域知識與專長來協助選擇模型的各種特性。不過RiskCardio系統只需要病患原始ECG開頭15分鐘的資料,就可以評估與分類病患因心血管問題而死亡的風險。

不過單靠ECG訊號來進行風險評估並不容易,未來CSAIL的研究團隊希望讓資料集(dataset)更具包容性,可將不同的年齡、種族、性別等因素列入考量。此外CSAIL的研究團隊也計劃,對存在許多未標籤化或未適當標籤化資料的醫療案例進行檢視,判斷如何運用RiskCardio系統處理那些資訊,以對較不明確的病例提供評估。

CSAIL的研究團隊透過為1組病患進行風險評分來測試RiskCardio系統的機器學習模型,並比較被評估為高風險的病患與低風險的病患,因心血管問題而死亡的機率相差多少。結果發現約1,250位ACS的患者中,有28位在1年內因心血管問題而死亡,其中19位是被RiskCardio系統的風險評分評估為高風險的病患。

被RiskCardio系統評估為高風險的病患死於心血管疾病的機會,將近是評估為低風險病患的7倍,而被目前最通用的風險衡量標準評估為高風險的病患死於心血管疾病的機會,則僅是評估為低風險病患的3倍,顯見RiskCardio系統更為精準。不過由於ECG訊號極長且輸入模型的資料量不斷增加,欲找出資料間的關係也越來越困難。

當病患因ACS住院,醫師首先會依據醫療資料與各種耗時的檢驗,評估心臟病或心血管致死風險以擬定療程。RiskCardio系統的目標即是要改善此一風險評估程序,ACS病患的ECG開頭15分鐘的訊號已有足夠的資訊,可據以評估病患是否會在30、60、90、365天內因心血管問題而死亡。

RiskCardio系統是基於連續心跳間的變化可有效判斷心血管致死風險的理念,CSAIL的研究團隊希望在評估風險時能結合非常長的時間序列(time series),協助醫師更準確、快速的從ACS病患當中找出具有高致死風險的患者。RiskCardio系統的機器學習模型是以從前的病患研究資料進行訓練。

CSAIL的研究團隊首先將病患的ECG訊號切分為許多組的連續心跳,接著根據病患實際上是否因心血管問題而死亡的結果,訓練機器學習模型為每一組連續心跳進行分類並賦予標籤,死亡病患的心跳標籤為「有風險」,生還的心跳標籤為「正常」。而當RiskCardio系統在評估新病患時,則是將該病患的每一組連續心跳的預測取平均值後產生風險評分。

  •     按讚加入DIGITIMES智慧醫療粉絲團
更多關鍵字報導: 心電圖 機器學習 心血管疾病