Maskinlæringsmodell kombinerer tids- og værdata.
En gren av kunstig intelligens (AI), kalt maskinlæring, kan nøyaktig forutsi risikoen for hjertestans utenfor sykehus - når hjertet plutselig slutter å slå - ved å bruke en kombinasjon av timing og værdata, finner forskning publisert online i tidsskriftet Hjerte.
Maskinlæring er studiet av datamaskinalgoritmer, og basert på ideen om at systemer kan lære av data og identifisere mønstre for å informere beslutninger med minimal intervensjon.
Risikoen for hjertestans var høyest på søndager, mandager, helligdager og når temperaturene falt kraftig innenfor eller mellom dager, viser funnene.
Denne informasjonen kan brukes som et tidlig varslingssystem for innbyggerne, for å redusere risikoen deres og forbedre sjansene deres for å overleve, og for å forbedre beredskapen til akuttmedisinske tjenester, foreslår forskerne.
Hjertestans utenfor sykehus er vanlig over hele verden, men er generelt forbundet med lave overlevelsesrater. Risiko påvirkes av rådende værforhold.
Men meteorologiske data er omfattende og komplekse, og maskinlæring har potensial til å fange opp assosiasjoner som ikke er identifisert av konvensjonelle endimensjonale statistiske tilnærminger, sier de japanske forskerne.
For å utforske dette videre, vurderte de kapasiteten til maskinlæring til å forutsi daglig hjertestans utenfor sykehus, ved å bruke daglig vær (temperatur, relativ fuktighet, nedbør, snøfall, skydekke, vindhastighet og atmosfærisk trykkavlesninger) og timing ( år, sesong, ukedag, time på dagen og helligdager).
Av 1,299,784 2005 2013 tilfeller som skjedde mellom 525,374 og XNUMX, ble maskinlæring brukt på XNUMX XNUMX, ved å bruke enten vær- eller tidsdata, eller begge deler (treningsdatasett).
Resultatene ble deretter sammenlignet med 135,678 2014 tilfeller som skjedde i 15-XNUMX for å teste nøyaktighet av modellen for å forutsi antall daglige hjertestans i andre år (testdatasett).
Og for å se hvor nøyaktig tilnærmingen kan være på lokalt nivå, utførte forskerne en "varmekartanalyse" ved å bruke et annet datasett hentet fra stedet for hjertestans utenom sykehuset i byen Kobe mellom januar 2016 og desember 2018.
Kombinasjonen av vær- og tidsdata spådde mest nøyaktig en hjertestans utenfor sykehuset i både trenings- og testdatasettene.
Den spådde at søndager, mandager, helligdager, vinter, lave temperaturer og skarpe temperaturfall innen og mellom dager var sterkere assosiert med hjertestans enn enten vær- eller tidsdata alene.
Forskerne erkjenner at de ikke hadde detaljert informasjon om plasseringen av hjertestans bortsett fra i Kobe by, og de hadde heller ingen data om eksisterende medisinske tilstander, som begge kan ha påvirket resultatene.
Men de foreslår: "Vår prediktive modell for daglig forekomst av [hjertestans utenfor sykehus] er allment generaliserbar for den generelle befolkningen i utviklede land, fordi denne studien hadde en stor prøvestørrelse og brukte omfattende meteorologiske data."
De legger til: "Metodene utviklet i denne studien tjener som et eksempel på en ny modell for prediktiv analyse som kan brukes på andre kliniske utfall av interesse relatert til livstruende akutt kardiovaskulær sykdom."
Og de konkluderer: "Denne prediktive modellen kan være nyttig for å forhindre [hjertestans utenfor sykehus] og forbedre prognosen til pasienter ... via et advarselssystem for innbyggere og [akuttmedisinske tjenester] på høyrisikodager i fremtiden."
I en lenket lederartikkel er Dr. David Foster Gaieski, ved Sidney Kimmel Medical College ved Thomas Jefferson University, enig.
"Å vite hva været mest sannsynlig vil være i den kommende uken kan generere 'kardiovaskulære nødadvarsler' for personer i fare - å varsle eldre og andre om kommende perioder med økt fare som ligner på hvordan værdata brukes til å varsle folk om kommende farlig vei forhold under vinterstormer, forklarer han.
"Disse spådommene kan brukes til ressursdistribusjon, planlegging og planlegging slik at akuttmedisinske tjenester, ressurser for gjenoppliving av akuttmottak og hjertekateteriseringslaboratorier er klar over og forberedt på antallet forventede [tilfeller] i løpet av de kommende dagene ," han legger til.
Referanser:
"Maskinlæringsmodell for å forutsi hjertestans utenfor sykehus ved bruk av meteorologiske og kronologiske data" 17. mai 2021, Hjerte.
DOI: 10.1136/heartjnl-2020-318726
«Neste ukes værmelding: overskyet, kaldt, med mulighet for hjertestans» 17. mai 2021, Hjerte.
DOI: 10.1136/heartjnl-2021-318950
Finansiering: Environmental Restoration and Conservation Agency of Japan; Japan Society for Promotion of Science; Intramural Research Fund of Cardiovascular Disease ved National Cerebral and Cardiovascular Center
