预测6年死亡率（机器学习正在超越人类）

在平均6年的随访中，有24例心脏病发作，49例全因死亡。上述85个变量被输入到一种称为LogitBoost的机器学习算法中，该算法反复分析这些变量，直到找到预测这些患者心脏病发作或死亡的最佳结构。

研究指出，当今医生已经掌握了很多关于患者的信息，而机器学习可以整合这些数据并准确预测个体风险，这将使我们能够实现个性化治疗。

来源：The abstract 'Refining the long-term prognostic value of hybrid PET/CT through machine learning' will be presented during the Young Investigator Awards session on Sunday 12 May at 09:00 to 10:00 WEST in room Faro.

机器学习在预测死亡或心脏病发作方面正在超越人类。这是今天在ICNC2019上发表的一项研究的主要信息。

转载：请标明“中国循环杂志”

芬兰图尔库PET中心的研究者指出，机器学习进展远远超出了医学领域的研究，我们需要谨慎对待我们如何评估风险和结果。当前，我们有数据，但我们还没有充分利用它。目前，医生使用风险评分来做出治疗决定，但是这些分数仅基于少数变量，并且在个体患者中往往具有适度的准确性。通过重复和调整，机器学习可以利用大量的数据，识别人类不易发现的复杂模式。

这项研究招募了950名胸痛患者，他们接受了该中心寻找冠状动脉疾病的常规治疗方案。冠状动脉计算机断层血管造影（CCTA）扫描识别出58条冠状动脉斑块、血管狭窄和钙化的数据。那些扫描显示有疾病的患者接受了正电子发射断层扫描（PET），该扫描产生了17个血流变量，包括性别、年龄、吸烟和糖尿病在内的10个临床变量从医疗记录中获得。

研究者指出，该算法逐渐从数据中学习，经过无数次的分析，它找出了能有效地识别发生事件的患者的高维模式，其结果是个体风险得分。

一种算法通过反复分析950例已知6年结果的患者的85个变量，然后确定了与死亡和心脏病发作相关的变量模式，准确率超过90%。

当前临床实践，仅使用10个临床变量的预测性能是不够的，曲线下面积（AUC）为0.65。当添加PET数据时，AUC增加到0.69。再添加CCTA数据后，预测性能显著提高（P=0.005），AUC为0.82，准确率超过90%。

研究者解释说：“人类在思考三维（立方体）或四维（立方体通过时间）以外的东西时非常困难。当我们跳到第五维度的时候，我们就迷失了。我们的研究表明，非常高的维度模式比单维度模式更能预测个人的结果，因此我们需要机器学习。”

机器学习是人工智能的基石，每天都在使用。谷歌的搜索引擎、智能手机上的人脸识别、自动驾驶汽车、Netflix和Spotify推荐系统都使用机器学习算法来适应个人用户。