在美国，急性心肌梗死(AMI)或冠心病是导致死亡主要原因，据估计，到2035年，将近一半成年人将遭受某种形式睡眠不足。大多数急性心肌梗塞的发生没有明显症状，如胸痛或呼吸急促。近来，佛罗里达州立大学和佛罗里达大学盖恩斯维尔分校的研究人员进行了一项研究，用人工智能来帮助预测重症监护病房。
研究人员写道，之所以选择1年死亡率作为预测窗口，是因为它将允许与其它研究进行比较，而且它将考虑在两年内，多次接受与急性髓系白血病相关的ICU治疗的患者。
对风险评估，需要手动计算，而基于机器学习的预测死亡率等疾病的结果可以用来节省时间和提高预测精度，他们写的一篇论文中(在ICU患者急性心肌梗塞和心肌梗死后综合征，构建计算模型来预测一年死亡率)。本研究建立并评价各种机器学习模型，预测急性心肌梗死或心肌梗死后综合征患者一年的死亡率。
为了收集数据集，论文的作者们从麻省理工学院计算生理学实验室维护的免费重症护理数据库模拟-iii(模拟-iii)中获取数据。模拟-iii包含来自4万名患者的5.8万例住院病例。他们通过选择已被证明是死亡率预测因素的特征(如肾功能和肝功能、入院、人口统计学、治疗、评估长期和短期总体健康的实验室值以及各种心脏标志物)，将研究对象的数量减少到5037名 。
人工智能
最后，研究小组决定根据这些确诊为急性心肌梗塞或经前综合症(PMS)的患者的数据进行分析，经前综合症与心悸有关，而非个体。这是因为在某些情况下，病人在一次住院中存活了一年，但在另一次住院中却没有存活一年。
研究人员对这些记录进行预处理，以删除重复记录、对相同的输入、数据输入错误和异常值进行多次处理。 在一台搭载2.2GHz Intel Core i7处理器的PC上，使用谷歌开源TensorFlow框架，团队对其属性选择分类器、回归分类等十余种分类算法进行了训练。
在测试中，两种人工智能模型，逻辑模型树(LMT)和简单的逻辑算法表现得比其它模型更好，在从数据集(1629人)中识别30%入院一年内死亡的患者方面，准确率达到85.12%。(第三种算法J48紧随其后，准确率为84.88%。)有趣的是，深层神经网络模型在识别一年内死亡病人的能力上，优于所有机器学习算法，该模型具有多层数学功能，可以模拟人脑中的行为神经元。
研究人员写道，这反映了数据科学中的一个共识，即没有一种普遍适用的算法一直优于所有其它算法。有许多因素可以影响心肌梗死后的死亡率。找出利用这些因素信息的方法将有助于准确预测可能的结果。
这篇论文的作者指出，数据集是这项研究一个限制因素，实验室和图表值缺失等数据缺口，也是一个限制因素。但他们认为，结果表明，正确诊断和治疗急性心肌梗塞对1年死亡率有明显影响。他们写道，从这个数据集可以看出，并没有特定的因素提供了所需的可预测性信息，同时能包含所有相关标准，可以改善预测。利用机器学习获得更好的可预测性，可以帮助高危患者努力遵守治疗计划，以提高死亡率风险。
