美国斯坦福大学研究人员最新开发出一种深度学习算法，通过分析可穿戴监测设备产生的心电数据，诊断出13种不同类型的心律失常，其准确性甚至超过心脏病医生。这项成果未来可用于改善偏远地区心律失常患者的诊断和治疗。
潜在的心律失常患者通常是去看医生，由医生当面用心电图仪进行检查。如果心电图仪没有发现问题，医生可能会让潜在患者使用可穿戴设备，对心律进行两周的持续监测。设备生成数据的时间跨度长达300多小时，医生需要分析其中每一秒的数据，以发现心律失常的迹象。有危害的心律数据与没有危害的心律数据往往极难区分。
斯坦福大学的新闻公告说，该校机器学习团队负责人、著名人工智能专家吴恩达发现，这是一个数据问题。研究人员为此开发了一个可以根据心电信号诊断不同类型心律失常的深度学习算法。他们与提供可穿戴心律监测设备的企业合作，获取了大约3.6万人的心电数据样本，用以训练一个深度神经网络模型。7个月后，这个神经网络模型诊断心律失常的准确度堪比心脏病医生，多数情况下甚至超过医生。相关研究论文已在收录科学文献预印本的在线开放数据库arXiv上发布。
据研究人员介绍，心律失常有多种类型，其中的差别很微妙，但对如何处置所发现的心律失常情况有很大影响。比如，被称为二级房室传导阻滞的心律失常有两种类型，看上去很相似，但其中一种无需治疗，而另一种则需要立即观察。他们的研究成果不仅能够发现心律失常迹象，而且还可以高准确度发现心律失常的不同类型，这种准确度是前所未有的。另外，这个算法的优势还在于不会疲劳，可以持续地对心律失常做出即时诊断。
研究人员希望，他们的算法未来可用于为偏远地区或发展中国家无法看心脏病医生的人群提供专家级的心律失常诊断。这个算法还可以配合高危人群日常使用的可穿戴心律监测设备，以便在发现可能致命的心律异常时及时通知急救人员。
转载自:智医疗网