心房颤动（简称AFib）是一种常见的成人心脏节律障碍，如果未被发现或治疗，可能会导致致命的血栓和中风等严重后果。最近的一项研究表明，UNAFIED是一种高精度的人工智能（AI）预测模型，通过机器学习解析从患者电子健康记录（EHR）中获取的信息，以预测患者在未来两年内是否会发展成可检测的心房颤动，可以轻松地整合到医疗工作流程中。
该研究发表在《BMC医学信息学与决策》杂志上。
UNAFIED是“使用电子健康数据预测未诊断的心房颤动”的缩写。
在实际条件下的测试和性能评估中，研究人员报告称，在印第安纳波利斯Eskenazi Health系统繁忙的医疗机构中，定期使用UNAFIED风险预测模型的医生发现它易于使用且不耗时。最重要的是，参与研究的医生表示，他们认为这有助于改善患者的护理。这种非侵入性且经济的方法为积极筛查患者提供了实用选择，尤其是对于大量处于心房颤动高风险的个体。
心房颤动高风险人群包括肥胖成年人、多种类型的心脏病患者、2型糖尿病患者或睡眠呼吸暂停患者，以及吸烟者、酗酒者或有家族病史的人。
“不幸的是，心房颤动可能在灾难发生前都是无声无息的。我们开发并验证了这个风险预测模型，以发现那些虽然无声但仍然存在或可能发生的心房颤动。”Regenstrief研究所的研究科学家Randall Grout博士说，“UNAFIED模型的主要目标是预防非常严重的医疗后果甚至死亡。”
“使用性别、身高和体重、既往心脏病或肾脏病诊断等指标——这些信息对临床医生来说已经很容易获得——我们的模型表现达到了领先水平。它不需要额外的步骤，使临床医生能够轻松地将其整合到实践中。”
Grout博士是UNAFIED临床实施研究的第一作者，也是全国验证研究的共同作者和开发研究的第一作者。除了在Regenstrief研究所的任命外，Grout博士还是印第安纳大学医学院的教员和Eskenazi Health的首席健康信息官。
在临床实施研究中，UNAFIED被整合到了一个繁忙的心脏病诊所的电子健康记录系统中，使基于UNAFIED的算法能够单独计算每个患者的风险。如果发现风险因素超过某个阈值，模型会向心脏病专家提供视觉指示，表明患者可能有未被检测出的心房颤动或在未来两年内发展成心房颤动的高风险。
工作流程还提供了建议，如进行后续的心律和其他测试，并在电子健康记录中记录高风险或患者实际上可能正在经历心房颤动的情况，即使之前已经排除了这种情况。尊重专业经验和技能，该模型允许医生选择忽略或绕过提示。
根据美国疾病控制与预防中心的数据，美国每年因心房颤动作为主要诊断而住院的病例超过454,000例。该病症每年在美国导致约158,000人死亡。
Grout博士指出，尽管UNAFIED的基础算法是为了预测未被检测出的心房颤动，但从该模型开发中学到的经验可以用于开发针对其他病症的算法模型，以及特定人群或地理区域的模型。虽然某些预测变量在许多或大多数模型中可能是相同的（例如患者的年龄），但其他变量（例如某种疾病的病史）可以根据所关注的具体疾病进行定制。
(全文结束)
