资讯
急性冠状动脉综合征(ACS)是一个总称，指的是流向心脏的血液突然受阻，如果不及时治疗，可能会导致心脏病发作。根据美国疾病控制与预防中心的数据显示，每年超过61万人死于心脏病，这是美国男性和女性的主要死因。
图片来源：图虫创意
幸运的是，IBM和制药巨头阿斯利康的科学家正在研究一种机器学习框架，这种框架可以找出ASC的早期预警信号。在Arxiv.org一篇新发表的论文“使用注意力集中的多任务神经网络对急性冠状动脉综合征患者进行结果驱动的聚类”中对此进行了描述。
研究小组收集了中国38所城乡医院26986名成人住院患者的年龄、性别、个人病史、生活习惯、实验室检测结果、手术流程、ACS类型等近40个特征，并将其输入神经网络，模仿生物神经网络的结构和功能。
该神经网络被设计成同时预测4个因素：在ACS之前，他们是否经历过严重的心脏不良事件;他们是否服用了抗血小板药物以防止冠状动脉内形成血块;他们是否服用了能降低血压的受体阻滞剂;以及他们是否服用了他汀类药物，这是一种帮助降低胆固醇水平，进而预防心脏病发作和中风的药物。
这篇论文的作者接下来使用K-Means聚类算法原理(一种统计技术，数据点按相似性分配给集合)，根据从神经网络获得的分类数据将患者分成七组。从这些研究中，他们获得了有用的见解：在第一组研究中，糖尿病是ACS的主要预测因素之一，而在另一组研究中，年龄和收缩压在ACS的进展中起着非常重要的作用。
“在这里，我们对ACS患者进行了结果驱动的聚类分析，将治疗和患者结果作为患者状态的指标，这些集群具有不同的特征，以及对住院重大不良心脏事件结局的不同风险特征。”他们解释道。
研究人员警告说，尽管这种聚类对疾病预后有影响，但尚不清楚它是否能够(或应该)告知临床实践。他们指出，在没有进一步研究的情况下，这些风险因素不能直接转化为临床干预。尽管如此，他们说他们的工作证明了人工智能驱动的聚类分析是ACS患者分类的一种有前途的方法。
他们把选择“临床有意义”的结果和确定考虑治疗有效性的“集群特异性”干预留给未来的研究。
原标题：AI predicts precursors to heart attacks
作者：KYLE wiggers
编译：郑翊君
文章来源：
https://venturebeat.com/2019/03/05/ai-predicts-precursors-to-heart-attacks/
