有許多風險因素決定了人們患心臟病的風險，例如生活方式、家族史、職業、現有疾病等等。了解人們患心臟病的風險可以幫助他們或他們的醫生優先考慮干預措施。近日，微軟推出了由人工智能支持的心臟病風險評分API，供大型印度醫院網絡Apollo使用。

“世界范圍內基于人工智能的模型是在幾十年前形成的，并以西方人口為基礎。我們的新API評分基于Apollo Hospitals共享的40萬印度人的數據，可以輕松識別每位患者的風險水平，“微軟印度總經理Anil Bhansali表示。“作為AI領域的技術合作伙伴或專家，我們與醫療保健提供商和醫生合作，整合數據以幫助構建AI模型，”Bhansali補充說。

這個AI工具考慮了21種風險因素，包括飲食、吸煙和吸煙偏好等生活方式屬性以及通過呼吸率、高血壓、收縮壓和舒張壓反映的心理壓力和焦慮，并將對治療計劃提供豐富的見解和早期診斷。

“該評分將風險分為高、中、低，并提供了對可修改的最大風險因素的見解，從而幫助醫生以更全面的方式咨詢患者，同時為患者提供改善生活方式和及時干預的見解?！盉hansali闡述道。印度每年有近300萬心臟病發病人數，3000萬印度人患有冠心病。

“AI和ML與我們醫生的全球專業知識的合并將有助于預防心臟病、拯救生命并確?；加行呐K病的人能夠做出明智的健康選擇，”Apollo醫院常務董事Sangita Reddy表示。

“印度民眾的心臟風險評分是精確醫療保健如何加速預防心血管疾病和減輕疾病負擔的真實例子，”Bhansali指出?！半m然我們目前正在與Apollo合作，但我們也正在確定合作伙伴，我們可以在其中實際嘗試此API評分，”他補充說。

事實上，微軟并不是第一個利用AI技術來預測心臟病的機構。在幾個月前，《科學》雜志報道了英國諾丁漢大學流行病學家 Stephen Weng 博士團隊發表在《PLOS ONE》上的重要研究成果，Weng 博士團隊將機器學習算法應用于電子病歷的常規數據分析，發現與當前的心臟病預測方法相比，深度學習算法不僅可以更準確地預測心臟病發病風險，還可以降低假陽性患者數量 。

「這項研究的重要性再怎么強調都不過分」，沒有參與這項研究的斯坦福大學血管外科醫生 Elsie Ross 博士在接受《科學》雜志采訪時表示，「我真的希望醫生敞開胸懷擁抱人工智能，利用這個工具更好地幫助患者?！?/p>

我相信大部分心血管醫生對人工智能的期待與 Ross 博士一樣。因為據世界衛生組織統計，在 2012 年，全球非傳染病導致的死亡人數為 3800 萬，其中心血管疾病(心臟病和中風等)為 1750 萬人，占所有非傳染疾病導致死亡病例的 46.2%;而讓人感到畏懼的癌癥導致的死亡為 820 萬，占所有非傳染疾病導致死亡病例的 21.7% 。心血管疾病的預防與治療確實刻不容緩。

實際上科學家也一直在努力尋找與心腦血管疾病相關的風險因子，以達到預防疾病的目的。例如美國心臟病學院與美國心臟病協會(American College of Cardiology/American Heart Association;ACC/AHA)等機構通過多年的研究，將高血壓、膽固醇、年齡、吸煙和糖尿病等一系列因素列為與心血管疾病風險高相關的因素，并推出了 ACC/AHA 預測模型 。除此之外，還有其他組織機構推出的 QRISK2、Framingham 和 Reynolds 等預測模型。

ACC/AHA 的預測主要風險因子組合【1】

然而，在 Weng 博士看來，這些方法都不給力。因為所有標準的心血管病風險評估模型都有一個隱含的假設，即每個風險因子與心血管疾病之間的關系都是線性的 ，這些模型可能過度簡化了它們之間的關系。

相對于復雜的生命活動，這顯然太簡單了，無法揭示患者服用的藥物，或其他疾病和生活方式因素對疾病的影響。甚至還有一些因素是反直覺的，很多人認為脂肪對身體有害，會增加健康人患心血管疾病的風險。但在一些情況下，它實際上是保護心臟的。「這些例外在人體內實實在在地發生，」Weng 博士說?！赣嬎憧茖W給了我們探索那些復雜關系的機會。」

為了探索利用機器學習預測心血管病發病風險的方法，Weng 博士團隊從 Clinical Practice Research Datalink (CPRD)數據庫篩選了 378256 名符合標準居民的 10 年(2005 年 1 月 1 日起)電子病歷，這些居民在 2005 年都是各方面指標正常的健康人。

然后隨機將這個龐大的數據庫分成兩份，其中 295267(78%)個居民的電子病歷，用來訓練機器學習算法，剩下的 82989 個居民的 10 年電子病歷用來驗證算法的準確性。據 Weng 博士了解，這是全世界范圍內，首次在如此大規模的群體中，使用機器學習預測人類患心血管疾病的風險。

為了找到更合適的機器學習算法，Weng 博士和其同事采用了 4 種機器學習算法，它們分別是：隨機森林(random forest)、邏輯回歸(logistic regression)、梯度提升(gradient boosting)和神經網絡(neural networks)。將 ACC/AHA 模型作為對照。

第一步工作是讓 4 種機器學習算法在沒有人類指示的情況下，通過分析 295267 的電子病歷數據，各自「創造」一個預測模型。當研究人員將標準化的數據「喂」給這四種算法之后，它們很快找到了各自認為的與心血管病發生相關性較高的風險因子。

在這一步，機器學習算法就顯現出了它的優勢。與 ACC/AHA 指南相比，年齡、性別和吸煙三項風險因素，也被四種機器學習算法列為首要風險因素。然而，現行的許多心血管疾病算法認為糖尿病是風險因子之一，四種機器學習模型要么不考慮這項因素，要么只認為糖化血紅蛋白是風險因素。

四種深度學習算法自己「摸索」出來的重要風險因子【1】

更有意思的是，這四種機器學習模型認為房顫、種族差異、慢性腎病、慢性阻塞性肺疾病和嚴重精神病等疾病，以及是否服用皮質類固醇，以及甘油三酯水平等生物標志物等是重要風險因素。但是這些在現存的模型里都是不存在的。

這再一次表明，機器學習可以幫助研究人員發現一些潛在的風險因子，這些變量憑人力是很難發現的，但是機器學習可以從其他變量中推斷出來 。那機器學習的這幾套模型到底靠譜嗎?

第二步，Weng 博士將四種機器學習算法自主建立的模型與 ACC/AHA 模型進行比較，讓它們分別預測剩下的 82989 個居民哪些 10 年后會患心血管疾病(實際總發病人數為 7404 人，當然研究人員沒有把這個信息告訴深度學習模型)，哪些不會發病。它們的預測結果如下。

四種深度學習「摸索」出的模型預測能力與 ACC/AHA 模型的比較【1】

不難看出，四種機器算法自主創建的模型要優于 ACC/AHA 模型。隨機森林模型的敏感性比 ACC/AHA 高出 2.6%，邏輯回歸模型的敏感性比 ACC/AHA 高出 4.4%，梯度提升機和神經網絡模型的敏感性比 ACC/AHA 高出 4.8%。從本研究的結果看來，最好的神經網絡算法比傳統模型多正確預測了 355 個居民的發病風險。這意味著，在更大的人群里，將有數以萬計的人會因此而得救。

實現數據處理過程可視化的方法【1】

然而，我們也不難發現，即使引入深度學習算法之后，還有 30% 以上的高風險居民沒有被提前預測出來。這意味著深度學習算法還需要大幅改進。Weng 希望在將來能將更多的生活因素和遺傳因素納入分析范圍，進而提升其精確度。

這件事情卻未必那么容易。因為機器學習算法就像「黑箱」，你輸入數據，它反饋結果，然而在這個黑箱之中到底發生了什么，目前研究人員是很難知道的，這使得科學家難以在算法上做調整。不過，科學家正在努力改進這一現狀，爭取實現數據處理過程的可視化 。