A gépi tanulási modell egyesíti az időzítési és az időjárási adatokat.
A mesterséges intelligencia (AI) egyik ága, az úgynevezett gépi tanulás, pontosan meg tudja jósolni a kórházon kívüli szívmegállás kockázatát – amikor a szív hirtelen leáll – az időzítés és az időjárási adatok kombinációjával – derül ki a folyóiratban online közzétett kutatásból. Szív.
A gépi tanulás a számítógépes algoritmusok tanulmányozása, és azon az elgondoláson alapul, hogy a rendszerek képesek tanulni az adatokból és azonosítani a mintákat, hogy minimális beavatkozással megalapozzák a döntéseket.
A szívleállás kockázata vasárnap, hétfőn és munkaszüneti napokon volt a legmagasabb, és amikor a hőmérséklet napokon belül vagy között meredeken csökkent.
Ez az információ korai figyelmeztető rendszerként használható fel a polgárok számára, csökkentheti kockázatukat és javíthatja túlélési esélyeiket, valamint javíthatja a sürgősségi egészségügyi szolgáltatások felkészültségét - javasolják a kutatók.
A kórházon kívüli szívmegállás gyakori a világon, de általában alacsony túlélési aránnyal jár. A kockázatot az uralkodó időjárási viszonyok befolyásolják.
A meteorológiai adatok azonban kiterjedtek és összetettek, és a gépi tanulás képes olyan asszociációkat feltárni, amelyeket a hagyományos egydimenziós statisztikai megközelítések nem azonosítottak, állítják a japán kutatók.
Ennek további feltárása érdekében felmérték a gépi tanulás képességét a napi kórházon kívüli szívmegállás előrejelzésére, a napi időjárás (hőmérséklet, relatív páratartalom, csapadék, havazás, felhőtakaró, szélsebesség és légköri nyomás) és időzítés alapján. év, évszak, hét napja, óra és munkaszüneti napok) adatai.
A 1,299,784 és 2005 között előforduló 2013 525,374 XNUMX esetből XNUMX XNUMX-nél alkalmaztak gépi tanulást, vagy időjárási vagy időzítési adatokat, vagy mindkettőt (képzési adatkészlet).
Az eredményeket ezután összehasonlították a 135,678–2014-ben előforduló 15 XNUMX esettel, hogy teszteljék a pontosság a napi szívmegállások számának előrejelzésére szolgáló modellből más években (tesztelési adatkészlet).
És hogy lássák, mennyire pontos lehet a megközelítés helyi szinten, a kutatók „hőtérkép-elemzést” végeztek egy másik adatkészlet felhasználásával, amelyet a Kobe városában 2016 januárja és 2018 decembere között történt kórházon kívüli szívleállások helyéről gyűjtöttek össze.
Az időjárási és időzítési adatok kombinációja jelezte a legpontosabban a kórházon kívüli szívmegállást mind az edzési, mind a tesztelési adatkészletekben.
Azt jósolta, hogy a vasárnapok, hétfők, munkaszüneti napok, tél, az alacsony hőmérsékletek és a napokon belüli és a napok közötti éles hőmérséklet-esések erősebben kapcsolódnak a szívmegálláshoz, mint az időjárási vagy az időzítési adatok önmagukban.
A kutatók elismerik, hogy nem rendelkeztek részletes információval a szívmegállások helyéről, kivéve Kobe városát, és nem rendelkeztek adatokkal a már meglévő egészségügyi állapotokról sem, mindkettő befolyásolhatta az eredményeket.
De azt sugallják: „A [kórházi szívmegálláson kívüli] napi incidenciájára vonatkozó prediktív modellünk széles körben általánosítható a fejlett országok általános népességére, mivel ez a tanulmány nagy mintaszámú volt, és átfogó meteorológiai adatokat használt fel.”
Hozzáteszik: „A tanulmányban kidolgozott módszerek a prediktív analitika új modelljére szolgálnak, amely alkalmazható más, az életveszélyes akut szív- és érrendszeri betegségekkel kapcsolatos klinikai eredményekre is.”
És arra a következtetésre jutnak: „Ez a prediktív modell hasznos lehet a [kórházi szívmegálláson kívüli] megelőzésében és a betegek prognózisának javításában… a polgárok és a [sürgősségi egészségügyi szolgáltatások] figyelmeztető rendszerén keresztül a jövőben a magas kockázatú napokon.”
Egy linkelt vezércikkben Dr. David Foster Gaieski, a Thomas Jefferson Egyetem Sidney Kimmel Orvosi Főiskolájáról egyetért.
„Ha tudjuk, milyen időjárás várható a következő héten, „szív- és érrendszeri vészhelyzeti figyelmeztetéseket” generálhat a veszélyeztetett emberek számára – értesítheti az időseket és másokat a közelgő fokozott veszély időszakairól, hasonlóan ahhoz, ahogy az időjárási adatokat használjuk az emberek értesítésére a közelgő veszélyes utakról. körülmények között a téli viharok idején” – magyarázza.
„Ezek az előrejelzések felhasználhatók az erőforrások kiépítésére, ütemezésére és tervezésére, hogy a sürgősségi egészségügyi szolgálatok rendszerei, a sürgősségi osztály újraélesztési erőforrásai és a szívkatéteres laboratóriumok munkatársai tisztában legyenek a következő napokban várható [esetek] számával, és felkészüljenek rá. ” – teszi hozzá.
Referenciák:
„Gépi tanulási modell a kórházon kívüli szívmegállások előrejelzéséhez meteorológiai és kronológiai adatok felhasználásával” 17. május 2021., Szív.
DOI: 10.1136/heartjnl-2020-318726
„A jövő heti időjárás előrejelzése: felhős, hideg, szívmegállás esélye” 17. május 2021. Szív.
DOI: 10.1136/heartjnl-2021-318950
Finanszírozás: Japán Environmental Restoration and Conservation Agency; Japán Tudományfejlesztési Társaság; Az Országos Agyi és Szív- és érrendszeri Központ szív- és érrendszeri betegségek intramurális kutatási alapja
