机器学习模型结合了时间和天气数据。
人工智能 (AI) 的一个分支，称为机器学习，可以结合时间和天气数据准确预测出院心脏骤停的风险——当心脏突然停止跳动时——该期刊在线发表的研究发现 胸襟.
机器学习是对计算机算法的研究，其基础是系统可以从数据中学习并识别模式，从而以最少的干预为决策提供信息。
调查结果显示，周日、周一、公共假期以及几天内或几天之间气温急剧下降时，心脏骤停的风险最高。
研究人员建议，这些信息可以用作公民的早期预警系统，以降低他们的风险并提高他们的生存机会，并改善紧急医疗服务的准备情况。
院外心脏骤停在世界各地都很常见，但通常与低存活率有关。 风险受当前天气条件的影响。
但日本研究人员表示，气象数据广泛而复杂，机器学习有可能发现传统一维统计方法无法识别的关联。
为了进一步探索这一点，他们评估了机器学习预测每日院外心脏骤停的能力，使用每日天气（温度、相对湿度、降雨、降雪、云量、风速和大气压力读数）和时间（年、季节、星期几、一天中的小时和公共假期）数据。
在 1,299,784 年至 2005 年间发生的 2013 起案例中，机器学习被应用于 525,374 起，使用天气或时间数据，或同时使用两者（训练数据集）。
然后将结果与 135,678-2014 年发生的 15 例病例进行比较，以测试 用于预测其他年份每日心脏骤停次数的模型（测试数据集）。
为了了解这种方法在地方层面的准确性如何，研究人员使用另一个数据集进行了“热图分析”，该数据集取自神户市 2016 年 2018 月至 XNUMX 年 XNUMX 月期间的院外心脏骤停位置。
天气和时间数据的组合最准确地预测了训练和测试数据集中的院外心脏骤停。
它预测周日、周一、公共假期、冬季、低温以及几天内和之间的急剧温度下降与单独的天气或时间数据相比，与心脏骤停的相关性更强。
研究人员承认，除了神户市外，他们没有关于心脏骤停位置的详细信息，也没有任何关于先前存在的医疗状况的数据，这两者都可能影响了结果。
但他们建议：“我们对[院外心脏骤停]每日发病率的预测模型可广泛适用于发达国家的普通人群，因为这项研究的样本量很大，并且使用了综合气象数据。”
他们补充说：“这项研究中开发的方法是预测分析新模型的一个例子，该模型可应用于与危及生命的急性心血管疾病相关的其他临床结果。”
他们得出结论：“这种预测模型可能有助于预防[院外心脏骤停]和改善患者的预后……通过在未来高风险日子为公民和[紧急医疗服务]提供预警系统。”
托马斯杰斐逊大学 Sidney Kimmel 医学院的 David Foster Gaieski 博士在一篇相关社论中表示同意。
“了解未来一周最有可能的天气情况可以为处于危险中的人生成‘心血管紧急警告’——通知老年人和其他人即将到来的危险增加时期，类似于使用天气数据通知人们即将到来的危险道路冬季风暴期间的条件，”他解释说。
“这些预测可用于资源部署、调度和规划，以便紧急医疗服务系统、急诊科复苏资源和心导管术实验室工作人员了解并为未来几天的预期 [病例] 数量做好准备，”他补充道。
参考文献：
“使用气象和时间数据预测院外心脏骤停的机器学习模型”，17 年 2021 月 XNUMX 日， 胸襟.
DOI：10.1136/heartjnl-2020-318726
“下周天气预报：多云、寒冷，有可能心脏骤停” 17 年 2021 月 XNUMX 日， 胸襟.
DOI：10.1136/heartjnl-2021-318950
资助：日本环境恢复和保护机构； 日本科学促进会； 国家心脑血管中心心血管疾病校内研究基金
