美國賓州格伊辛格衛(wèi)生醫(yī)療系統(tǒng)(Geisinger Health)Manar D. Samad博士及其同事，對17多萬個病患進行實驗，試圖比較機器學習和心力評量表(Framingham Risk Score)評估死亡率的精準度，結果證實機器學習模型利用電子病歷(EHR)超音波心電圖資料，確實可準確預測病患的死亡率。

據報導，超音波心電圖向來是治療的依據，但隨著資料量與日俱增，必須仰賴機器學習算法的處理能力。Samad表示，每次超音波心電圖檢查包含上千張影像，如此大量的資料，加上要把握黃金治療時間，光憑人力并無法發(fā)揮超音波心電圖資料的潛力。

研究團隊指出，機器學習模型比起一般臨床方式，更能夠準確預測生存率，這在之前的研究已經獲得證實，再者，隨著信息科技系統(tǒng)和運算能力持續(xù)提升，未來會有更多精密而準確的模型。

年齡和三尖瓣逆流最大速率是預測生存率的兩大變量，再來是心率、低密度脂蛋白膽固醇和左心室射出率(LVEF)。整體而言，有5個臨床變量和5個超音波心電圖變量，特別適合預測1年內生存率，另有4個臨床變量和6個超音波心電圖變量，特別適合預測5年內生存率。

研究團隊找出預測生存率的十大指標，光憑這10個指標即可達到96%精準度，目前已證明機器學習技術的強大預測能力，未來仍需要進一步的研究，以協(xié)助管控病患風險，幫助醫(yī)生做出更明智的臨床決策。