机器学习有助于查明最常见的心律不齐的来源

Skoltech及其美国同事的研究人员设计了一种新的基于机器学习的方法，用于检测心房颤动驱动程序，被认为会导致这种最常见类型的心律不齐的心肌小斑块。据美国心脏协会称，这种方法可能导致更有效的针对性医疗干预，以治疗估计影响全球3300万人的疾病。最近的论文发表在《循环：心律失常和电生理》杂志上。

心房颤动(AF)的背后机制尚不清楚，AF是一种异常的心律，与心力衰竭和中风的风险增加有关。研究表明，它可能是由折返性房颤司机引起的，并导致房颤的反复发作，从而导致心律不齐。这些驱动器可以通过外科手术程序烧伤，这可以减轻病情，甚至恢复心脏的正常功能。

为了找到这些可折返的AF驱动器以进行后续销毁，医生使用了多电极映射技术，该技术使他们能够记录心脏内部的多个电描记图(通过导管完成)并在心房内建立电活动图。但是，这种技术的临床应用通常会在没有找到现有的AF驾驶员时产生很多假阴性，而在检测到实际上没有驾驶员时会产生很多假阳性。

最近，研究人员采用了机器学习算法来解释ECG以寻找房颤。但是，这些算法需要带有驱动器真实位置的标记数据，并且多电极映射的准确性不足。这项新研究的作者是由Skoltech计算与数据密集型科学与工程中心(CDISE)的Dmitry Dylov和俄亥俄州立大学的Vadim Fedorov共同牵头的，他们使用了高分辨率近红外光学映射(NIOM)找到自动对焦驱动器并坚持使用它作为培训参考。

“ NIOM基于穿透力强的红外光信号，因此可以记录心肌内的电活动，而传统的临床电极只能测量表面上的信号。此外，该特性还具有出色的光学分辨率和光学映射如果您想可视化并了解电信号在心脏组织中的传播，您就可以轻松应对。” Dmitry Dylov说。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！