机器学习有助于查明最常见心律失常的根源

Skoltech 的研究人员和他们的美国同事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因素，即心肌的小块，据推测会导致这种最常见的心律失常类型。据美国心脏协会称，这种方法可能会带来更有效的有针对性的医疗干预措施，以治疗估计影响全球超过 3300 万人的疾病。最近的论文发表在《循环：心律失常和电生理学》杂志上。

心房颤动(AF)是一种与心力衰竭和中风风险增加相关的异常心律，其背后的机制尚不清楚。研究表明，它可能是由所谓的折返性房颤驱动因素引起和维持的，这是导致心律不齐的重复旋转活动的高度局部来源。这些驱动器可以通过外科手术烧伤，这可以减轻病情，甚至恢复心脏的正常功能。

为了定位这些折返性房颤驱动因素以进行后续破坏，医生使用多电极测绘，这种技术允许他们记录心脏内的多个电图(这是通过导管完成的)并构建心房内电活动图。然而，当未找到现有的 AF 驱动程序时，该技术的临床应用通常会产生大量假阴性;而当检测到实际上不存在的驱动程序时，也会产生大量误报。

最近，研究人员利用机器学习算法来解释心电图以寻找心房颤动;然而，这些算法需要带有驾驶员真实位置的标记数据，并且多电极映射的准确性不够。这项新研究的作者由 Skoltech 计算和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 共同领导，他们使用了高分辨率近透视光学测绘 (NIOM)找到 AF 驾驶员并将其作为培训参考。