研究人员使用AI对胸痛患者进行分类

根据发表在北方放射学会期刊Radiology上的一项研究，人工智能(AI) 可能有助于改善因急性胸痛入院的患者的护理(北美放射学会)。

“据我们所知，我们的深度学习人工智能模型是第一个利用胸部 X 光来识别需要立即就医的急性胸痛患者的个体，”该研究的主要作者、医学博士、医学博士 Márton Kolossváry 说。 D.，波士顿麻省总医院 (MGH) 放射学研究员。

急性胸痛综合症可能包括胸部紧绷感、灼烧感或其他不适，或者蔓延至背部、颈部、肩部、手臂或下巴的剧烈疼痛。可能伴有呼吸急促。

在，急性胸痛综合征每年有超过 700 万次急诊就诊，使其成为最常见的投诉之一。

这些患者中只有不到 8% 被诊断为急性胸痛综合征的三大心血管原因，即急性冠脉综合征、肺栓塞或主动脉夹层。然而，这些病症危及生命的性质和临床测试(例如心电图和血液测试)的低特异性导致大量使用心血管和肺部诊断成像，通常会产生阴性结果。由于急诊科面临患者人数众多和病床短缺的问题，因此对这些严重疾病风险极低的患者进行有效分流非常重要。

深度学习是一种高级人工智能 (AI)，可以训练它搜索 X 射线图像以找到与疾病相关的模式。

在这项研究中，Kolossváry 博士及其同事开发了一种开源深度学习模型，以识别具有 30 天急性冠状动脉综合征、肺栓塞、主动脉夹层或全因死亡率风险的急性胸痛综合征患者，基于胸部 X 光检查。

该研究使用了 2005 年 1 月至 2015 年 12 月期间在 MGH 或波士顿布莱根妇女医院接受胸部 X 光检查和额外的心血管或肺部成像和/或压力测试的急性胸痛综合征患者的电子健康记录。对于研究对 5,750 名患者(平均年龄 59 岁，包括 3,329 名男性)进行了评估。

深度学习模型对来自 MGH 的 23,005 名患者进行了训练，以根据胸部 X 光图像预测急性冠脉综合征、肺栓塞或主动脉夹层以及全因死亡率的 30 天复合终点。

深度学习工具显着改善了对这些不良结果的预测，超越了年龄、性别和常规临床标记，例如 d-二聚体血液测试。该模型在年龄、性别、种族和种族方面保持了诊断准确性。使用 99% 的灵敏度阈值，该模型能够推迟 14% 患者的额外测试，而使用仅包含年龄、性别和生物标记数据的模型时，这一比例为 2%。

“与使用年龄、性别、肌钙蛋白或 d-二聚体信息的模型相比，使用我们的自动深度学习模型分析这些患者的初始胸部 X 光片，我们能够提供关于患者结果的更准确预测，”博士说。科洛斯瓦里说。“我们的结果表明，胸部 X 光片可用于帮助对急诊室的胸痛患者进行分类。”

根据 Kolossváry 博士的说法，未来这种自动化模型可以在后台分析胸部 X 光片，帮助选择最能从立即就医中获益的人，并可能帮助确定可以从急诊室安全出院的患者。