根据盖辛格的发布，盖辛格的研究人员最近发现，人工智能可以检查心电图(ECG)测试结果，以识别一年内可能死亡或出现潜在危险的心律失常或心律失常患者。

在两项研究中进行的研究人员使用了Geisinger系统中存档病历的200万个心电图测试结果来训练深度神经网络，并在开发它之前预测不规则的心律(称为房颤(AF))。心房纤维性颤动会增加心脏病发作和中风的风险。

这些研究是首次使用人工智能从心电图结果中预测未来事件，而不是检测当前的健康问题。

“这令人兴奋，并提供了更多证据，表明我们正处于医疗革命的边缘，计算机将与医生合作，提高患者的护理水平，”该研究的副教授兼共同高级作者布兰登福尔沃尔特博士说。也是盖辛格影像科学与创新部门的负责人。

在第一项研究中，研究人员与尚未出现房颤的患者合作。

在来自超过237，000名患者的110万份心电图中，研究小组使用高度专业化的计算硬件来训练深度神经网络，以分析15个数据段-每份心电图的3万个数据点。研究人员发现，在高风险的前1%患者中，有三分之一在一年内被诊断患有房颤。

相关：人工智能的采用在健康行业领导者中迅速增长

该模型还显示了更长期预后的意义，因为与低风险患者相比，在接下来的25年随访中，预测发展为房颤的患者的风险率高出45%。

影像系助理教授克里斯托弗哈格蒂(Christopher Haggerty)博士说：“目前，确定哪些患者将在未来一年内出现房颤的方法有限，这就是为什么房颤的第一个迹象往往是中风的原因。”盖辛格的创新和这两项研究的共同资深作者。“我们希望这种模型可以用于在早期阶段识别房颤患者，以便对他们进行治疗，防止中风。”

在第二项研究中，研究人员进行了研究，以找出最有可能在一年内死于任何原因的患者。

盖辛格的研究人员分析了近40万名患者的177万份心电图和其他记录的结果。该团队使用这些数据来比较基于机器学习的模型，该模型要么直接分析原始心电图信号，要么依赖于聚合的人类衍生指标和常见的诊断疾病模式。

发现直接分析心电信号的神经网络模型在预测一年死亡风险方面具有优势。幸运的是，即使在医生认为心电图正常的患者中，神经网络也可以准确预测死亡风险。根据新闻稿，三名心脏病专家检查了最初被视为正常的心电图(ECG)，他们通常无法识别神经网络检测到的风险模式。