急性冠状动脉综合征（ACS）指以冠状动脉粥样硬化斑块破裂或侵袭，继发完全或不完全闭塞性血栓形成为病理基础的一组临床综合征。 ACS是一种常见的严重心血管疾病，是冠心病的一种严重类型。如果不及时治疗，可能会导致心脏病发作，甚至对生命安全造成威胁。数据显示仅在美国， 每年就有超过 61 万人死于心脏病。因此，这种疾病的及时治疗和预防是非常重要的。

图片来源：Pixabay

针对这一情况，来自 IBM 和阿斯利康的科学家们研发出了一个 机器学习 模型， 能够检测出早期的ACS迹象并提出预警。这篇论文目前已经发表在了Arxiv.org上。

该团队使用了一个数据集进行研究，该数据集由中国 38 家城市及农村医院的 26986 名成年住院患者组成，记录了他们的年龄、性别、病史、习惯、实验室检查结果、治疗步骤、ACS类型和近40个其他特征。研究人员将这些特征反馈给他们研发出的 神经网络 ，来同时 对四个因素进行预测：患者在患上ACS之前是否出现过主要不良心血管事件 (MACE)；他们是否接受过抗血小板药物治疗，以防止形成冠状动脉内血栓；他们是否接受过用来降低血压的β受体阻滞剂治疗；他们是否接受过他汀类药物治疗（这种药物有助于降低胆固醇水平，进而预防心脏病发作和中风）。

▲该研究的示意图（图片来源：arxiv.org）

接下来，研究人员采用了 k均值聚类 算法，这是一种统计方法，按照数据点的相似性，将它们分配到集合中。 研究人员根据从神经网络 中获得的分类数据 ，将患者划分成了7个不同的群组。从这些群组的研究中，他们获得了很多有用的结论：在MACE出现率高但患病率低的人群中，糖尿病是ACS的预测因素之一；而在另一个包含“严重”疾病患者的群组中，年龄和收缩压在ACS进展中发挥了很大的作用。 

研究人员提醒说，尽管这些指标对疾病预后有影响，但它是否能（或应该）为临床实践提供所需的信息，这一点尚未明朗。同时他们还指出，如果没有进行进一步研究的话，这些可能导致ACS的因素就无法直接转化为临床干预。尽管如此，他们的工作表明， 由AI驱动的聚类 分析对于ACS患者的风险预测来说，是一种很有前景的方法。 

参考资料：

[1] AI predicts precursors to heart attacks. Retrieved March 15, 2019, from https://venturebeat.com/2019/03/05/ai-predicts-precursors-to-heart-attacks/

[2] Xia, et al., (2019). Outcome-Driven Clustering of Acute Coronary Syndrome Patients using Multi-Task Neural Network with Attention. Arxiv.org, arXiv:1903.00197