通常，在对患者进行治疗时，医生都使用“风险评分”的方法来决定治疗方案。但是，这些评分标准所参考的仅仅是少量的变量条件，普适却缺乏精准度。在对患者进行个性化治疗中缺乏“定制化”，因此，患者的多样性致病原因难以得到针对性治疗。

这项研究的作者、来自芬兰Turku PET Centre的Luis Eduardo Juarez-Orozco博士表示，人类的思考维度是有限的，而高维度模式比单维模式更有助于预测个体结果。因此，就需要机器学习来大显身手了。通过重复学习和不断调整，机器学习可以利用大量的数据，来识别那些对于人类来说可能并不明显的复杂模式。

共有950名胸痛患者参与了这项研究。这些患者接受了Turku PET Centre对于冠状动脉疾病的常规治疗方案。冠状动脉计算机断层扫描血管造影术（CCTA）获得了58份关于冠状动脉斑块、血管狭窄和钙化的数据。随后，那些图像中显示患病的患者接受了正电子发射断层扫描（PET），产生了17个血流变量。此外，研究人员从患者的医疗记录中获得了10个临床变量，包括性别、年龄、吸烟和糖尿病史等。

在平均 6 年的随访中，所有的患者中出现了24例心脏病发作，以及49例死亡。研究人员将全部85个变量输入一个名为LogitBoost的机器学习算法，算法逐步从数据中学习并进行分析，从而找到有效预测心脏病发作或死亡的最佳模式。而在最终的验证结果中，算法的预测准确率超过了90%。

Juarez-Orozco博士表示：“医生已经收集了很多关于患者的信息。通过研究我们发现，机器学习可以更好地整合这些数据，并准确预测个体风险。这将为个性化治疗开辟新的方向，最终为患者带来更好的治疗结果。”

来源：药明康德AI

标签