使用机器学习，临床医生可以为可能患有疾病的患者选择使用哪种成像测试，疾病是由动脉壁斑块积聚引起的疾病。耶鲁大学的研究人员在《欧洲心脏杂志》上发表的一项研究中描述了名为 ASSIST 的机器学习工具。该算法旨在关注给定患者的长期结果。
功能测试，也称为压力测试，通过检测流向心脏的血流量减少来检查患者是否患有疾病。第二个测试是解剖学测试或计算机断层扫描血管造影术 (CCTA)，它可以识别血管中的阻塞。ASSIST使用机器学习技术为每位患者提供建议。
“这些诊断测试中的每一个都有其优点和局限性，”耶鲁大学医学院心脏病学助理教授、医学博士、硕士 Rohan Khera说。“如果您能够正确建立诊断，您将更有可能寻求最佳的医疗和程序治疗，这可能会影响患者的预后。”
最近的临床试验试图确定一种测试是否是最佳的。PROMISE 和 SCOT-HEART 临床试验表明，解剖成像具有与压力测试相似的结果，但可能会改善某些患者的长期结果。
“当患者出现胸痛时，您有两种主要的测试策略。大型临床试验尚未得出结论性答案，因此我们想看看试验数据是否可用于更好地了解特定患者是否会从一种测试策略中受益或者另一个，”Khera 说。
为了开发 ASSIST 工具，研究人员通过国家心肺血液研究所收集了 9,572 名参加 PROMISE 试验的患者的数据。然后，该团队创建了一种新策略，将本地数据实验嵌入到更大的临床试验中。
Khera 说：“我们方法的一个独特方面是我们利用临床试验的两个方面，克服了现实世界数据的局限性，临床医生做出的决定可能会给算法带来偏见。”
在 SCOT-HEART 试验中，该工具在不同的患者群体中被证明是有效的。在接受功能优先或解剖优先测试的 2,135 名患者中，研究人员发现，当所进行的测试与 ASSIST 推荐的测试一致时，发生心脏不良事件的风险降低了两倍。
该小组预计，当临床医生在胸痛评估中选择解剖或功能测试时，该工具将为他们提供进一步的洞察力。
“虽然我们使用先进的方法来推导 ASSIST，但它的应用在临床环境中是实用的。它依赖于常规捕获的患者特征，临床医生可以使用简单的在线计算器使用，也可以将其纳入电子健康记录，”Evangelos 说Oikonomou，医学博士，DPhil，耶鲁大学内科住院医师，该研究的第一作者。
研究人员最近致力于开发机器学习驱动的临床决策支持工具。
哥伦比亚大学的一个团队开发了一种机器学习算法，可以快速分析 EHR 数据以识别慢性肾病，这种情况在造成不可逆转的损害之前通常不会被发现。
该模型可以自动扫描患者的 EHR 以获取血液和尿液检测结果，并结合使用已建立的方程和机器学习技术来处理数据。
“早期识别肾脏疾病至关重要，因为我们有可以在损害变得不可逆转之前减缓疾病进展的治疗方法，”研究负责人、哥伦比亚大学瓦格洛斯内科和外科医生学院医学副教授 Krzysztof Kiryluk 医学博士说。
“慢性肾病会导致多种严重问题，包括心脏病、贫血或骨骼疾病，并可能导致过早死亡，但其早期阶段往往未被充分认识和治疗。”