機器學習算法現在可以快速與準確地診斷心臟病發作

　　心臟病發作的癥狀有時與非心臟相關的疾病相似，使診斷變得棘手。英國研究人員已經轉向機器學習，為醫生提供一種快速和準確的診斷心臟病發作的方法，這有可能縮短診斷所需的時間，并為患者提供更高效和有效的治療。

　　目前，診斷心臟病發作的金標準是測量血液中蛋白質肌鈣蛋白的水平。肌鈣蛋白在心肌受損時釋放出來；水平通常在心臟病發作后3至12小時內急劇上升，大約24小時后達到峰值。

　　世界各地的許多醫院都采用了診斷路徑，包括在有人因疑似心臟病發作入院時評估肌鈣蛋白水平。但它們有一些局限性：它們需要固定時間收集血樣，這在急診科環境中是一個挑戰；它們只將患者分為心臟病發作的低、中或高風險，而不考慮其他重要信息，如癥狀何時開始或心電圖結果；而且，它們沒有考慮到性別、年齡和合并癥的影響。

　　現在，英國的研究人員已經開發出一種基于人工智能的機器學習算法，該算法快速而準確。該算法被命名為"急性冠狀動脈綜合征診斷與評估協作"（CoDE-ACS），旨在計算單個患者心臟病發作的概率。

　　研究人員使用了來自全球六個國家的10286名可能出現心臟病發作的患者的數據。除肌鈣蛋白水平外，還利用病人的性別、年齡、心電圖結果和病史來"教導"機器學習算法，以確定心臟病發作的概率。

　　與現有的方法相比，研究人員發現CoDE-ACS能排除兩倍以上的患者的心臟病發作，準確率達到99.6%。該算法準確地預測了各亞組的心臟病發作，包括男性和女性、老年人、有腎臟（腎臟）損傷的人或那些在癥狀出現后及早到醫院就診的人。

　　研究人員說，他們的CoDE-ACS算法可以防止不太可能有心臟病發作的病人或心臟病發作后遭受心肌損傷或死亡的低風險病人不必要地入院。他們說這將使急診治療更有效率和效果，確定哪些病人可以安全回家，哪些需要留下來做進一步檢查。

　　"對于因心臟病發作而出現急性胸痛的患者來說，早期診斷和治療可以拯救生命，"該研究的通訊作者尼古拉斯-米爾斯說。"不幸的是，許多疾病會導致這些常見的癥狀，而且診斷并不總是直接的。利用數據和人工智能來支持臨床決策，對改善病人的護理和我們繁忙的急診科的效率有著巨大的潛力"。

　　CoDE-ACS目前正在蘇格蘭進行試驗，以觀察它是否能減少擁擠的急診科的壓力。

　　該研究發表在《自然醫學》雜志上。