心血管研究的一项新研究发现，机械学习即计算机用来学习执行任务的模式和推论，可以展望心脏病发作和心脏病殒命的历久风险。事实上，机械学习在展望心脏病发作和心脏殒命方面似乎比心脏病学家使用的尺度临床风险评估要好。 研究人员在这里研究了一项前瞻性随机研究试验的成像组的受试者，他们通过可用的心脏CT扫描和历久随访举行了冠状动脉钙评分。参与者无症状，中年人，有心血管危险因素，但没有已知的冠状动脉疾病。 研究人员使用机械学习来评估受试者发生心肌梗死和心脏殒命的风险，然后将展望值与受试者15年来的现实履历举行对照。受试者回覆了一份观察问卷，以确定心血管危险因素，并形貌他们的饮食、运动和婚姻状况。 最后的研究包罗1912名受试者，在他们第一次被研究15年后。76名受试者在此随访时代泛起心肌梗死和/或心脏殒命事宜。受试者的展望机械学习分数与观察到的事宜的现实漫衍正确一致。动脉粥样硬化性心血管疾病风险评分，心脏病学家使用的尺度临床风险评估，高估了高风险种别的事宜风险。机械学习没有。在未经调整的剖析中，高展望的机械学习风险与较高的心脏事宜风险显著相关。 研究解释，机械学习连系临床危险因素和影像丈量可以准确地个性化患者遭受心脏病发作或心源性殒命等不良事宜的风险，虽然机械学习模子有时被视为“黑匣子”，但我们也试着去神秘化机械学习；在这份手稿中，我们以两个病人的小我私家展望为例。当在扫描后应用时，这种个性化的展望有助于指导对患者的建议，以降低他们遭受心脏不良事宜的风险。
泉源：Frederic Commandeur et al, Machine learning to predict the long-term
risk of myocardial infarction and cardiac death based on clinical risk,
coronary calcium, and epicardial adipose tissue: a prospective study,
Cardiovascular Research (2019).
《血管与腔内血管外科杂志》
2019.12.20