新的机器学习模型可促进女性心脏病的诊断

一项研究表明，与男性相比，女性心血管疾病的诊断率仍然较低，使用特定性别标准的新机器学习模型可能有助于克服这一问题并提高治疗效果。

尽管男性和女性心脏之间存在解剖学差异，因为女性的心脏较小，壁较薄，但某些心脏病的诊断标准对于两者来说是相同的。

研究人员在《生理学前沿》杂志上发表的论文中指出：“这意味着，在达到相同的风险标准之前，女性的心脏必须比男性的心脏增加得不成比例。”

他们表示，这种不分性别的方法会导致女性严重漏诊，尤其是在“一度房室传导阻滞(AV)传导阻滞(一种影响心跳的疾病)和扩张型心肌病(一种心肌疾病)期间，女性的漏诊率分别是男性的两倍和 1.4 倍，分别。”

“我们发现，中性标准无法充分诊断女性。如果使用特定性别的标准，这种漏诊的情况就会减轻一些。”美国斯坦福大学生命物质实验室的研究员斯凯勒·圣皮埃尔 (Skyler St Pierre) 说。

“我们还发现，改善男性和女性心血管疾病检测的最佳检查是心电图 (EKG)，”他补充道。

为了根据特定性别的标准构建更准确的心脏风险模型，该团队添加了流行的弗雷明汉风险评分中未考虑的四个指标——心脏磁共振成像、脉搏波分析、心电图和颈动脉超声。

弗雷明汉风险评分是一种流行的系统，可根据年龄、性别、胆固醇水平和血压来诊断心脏病风险。该诊断系统可以估计一个人在未来10年内患心脏病的可能性有多大。

该团队使用了英国生物银行 20,000 多名接受过这些测试的人的数据。

研究人员利用机器学习确定，在测试的指标中，心电图对于改善男性和女性心血管疾病的检测最为有效。然而，研究人员表示，这并不意味着传统的风险因素不是风险评估的重要工具。

他们补充说：“我们建议临床医生首先使用传统风险因素的简单调查来筛查患者，然后使用心电图对高风险患者进行第二阶段筛查。”