近日，一項研究顯示，機器學習在預測死亡或心臟病發作的表現已經超過了人類。通過分析950例患者的85個變數，以及長達6年的追蹤研究，演算法能夠以超過90%的準確率確定與死亡和心臟病發作相關的變數模式。這項研究結果發表在了2019國際核心髒病和心臟CT會議（ICNC）上。
通常，在對患者進行治療時，醫生都使用“風險評分”的方法來決定治療方案。但是，這些評分標準所參考的僅僅是少量的變數條件，普適卻缺乏精準度。在對患者進行個性化治療中缺乏“定製化”，因此，患者的多樣性致病原因難以得到針對性治療。
圖片來源：123RF這項研究的作者、來自芬蘭Turku PET Centre的Luis Eduardo Juarez-Orozco博士表示，人類的思考維度是有限的，而高維度模式比單維模式更有助於預測個體結果。因此，就需要機器學習來大顯身手了。通過重複學習和不斷調整，機器學習可以利用大量的資料，來識別那些對於人類來說可能並不明顯的複雜模式。
共有950名胸痛患者參與了這項研究。這些患者接受了Turku PET Centre對於冠狀動脈疾病的常規治療方案。冠狀動脈計算機斷層掃描血管造影術（CCTA）獲得了58份關於冠狀動脈斑塊、血管狹窄和鈣化的資料。隨後，那些影像中顯示患病的患者接受了正電子發射斷層掃描（PET），產生了17個血流變數。此外，研究人員從患者的醫療記錄中獲得了10個臨床變數，包括性別、年齡、吸菸和糖尿病史等。
在平均 6 年的隨訪中，所有的患者中出現了24例心臟病發作，以及49例死亡。研究人員將全部85個變數輸入一個名為LogitBoost的機器學習演算法，演算法逐步從資料中學習並進行分析，從而找到有效預測心臟病發作或死亡的最佳模式。而在最終的驗證結果中，演算法的預測準確率超過了90%。
Juarez-Orozco博士表示：“醫生已經收集了很多關於患者的資訊。通過研究我們發現，機器學習可以更好地整合這些資料，並準確預測個體風險。這將為個性化治療開闢新的方向，最終為患者帶來更好的治療結果。”
參考資料：
[1] Machine learning overtakes humans in predicting death or heart attack. Retrieved May 15, 2019, from https://www.eurekalert.org/pub_releases/2019-05/esoc-mlo050719.php