小编发现不少朋友对于人工智能改善心脏病发作心脏死亡的预测这方面的信息都比较感兴趣，小编就针对人工智能改善心脏病发作心脏死亡的预测整理了一些相关方面的信息 在这里分享给大家。

根据《心血管研究》上发表的新发现，机器学习(ML)可以预测患者的长期心肌梗塞(MI)或心源性死亡风险。

Cedars-Sinai的首席作者Frederic Commandeur写道：“随着各个学科(尤其是心脏病学)人工智能的不断发展，强大的心脏风险评估将受益于自动成像生物标志物的定量分析，从而增加了可用于临床决策的相关信息。”洛杉矶医疗中心和同事。

ML技术已被用于预测显示冠状动脉疾病迹象的患者的全因死亡率，但它们能否预测冠状动脉钙(CAC)评分后的未来心血管事件?这正是作者希望在研究中回答的确切问题。

突击队等。探索了近2,000名无症状患者的数据，这些患者参加了前瞻性EISNER(通过无创成像研究早期鉴定亚临床动脉粥样硬化)试验。所有患者均使用非对比CT扫描进行了CAC评分，研究人员拥有大约15年的长期随访信息以进行回顾。通过邮寄的问卷调查，电话采访，临床访问和官方死亡登记数据收集随访数据。

总体而言，针对ML的极端梯度提升(XGBoost)方法- “在各种任务中表现出优于其他算法的特征集”-导致ROC得分(AUC)低于0.82，高于动脉粥样硬化性心血管疾病(ASCVD)风险评分(0.77)和CAC评分(0.77)均如此。

作者写道：“在这项前瞻性试验中，ML在无症状受试者的MI和心源性死亡风险评估中表现出很高的表现。” “通过客观地结合临床数据和定量CT测量，与ASCVD风险评分或CAC评分相比，ML提供了明显更好的风险预测。这些有希望的结果表明，机器学习具有用于临床实施以改善风险评估的潜力。”

ASCVD风险评分和CAC评分均确实有助于XGBoost的出色表现。还发现年龄收缩压在风险预测中起关键作用。

这项研究的下一步是什么?展望未来，该团队认为有机会将ML方法作为患者护理的日常工作。

“将来，我们预计ML将在标准冠状动脉钙评分和电子报告软件的背景下工作，自动收集变量，并通过整合临床风险的所有相关衡量指标和成像生物标志物来进行'即时'风险评分计算冠状动脉钙化评分扫描。” Commandeur及其同事总结道。