中风的诊断可能很棘手，因为患者并不总是表现出典型的症状，而且其他疾病也可能模仿它。研究人员利用现有数据开发了一种机器学习模型，可以准确预测中风，并可能使诊断变得更容易。诊断错误是一个主要的公共卫生问题，造成了可预防的病人伤害和卫生超支。由于诊断错误而导致的可预防的中风死亡比误诊的心脏病发作要常见30倍。

中风可能特别难以诊断，因为它的迹象和症状可能被其他疾病所模仿，如癫痫发作、偏头痛、精神障碍、药物和酒精中毒。此外，中风可以表现为非典型症状。大约25%的中风患者不会出现通常的语言问题、面部下垂和四肢无力，这使保健医生做出准确诊断的能力更加复杂。

【资料图】

来自卡内基梅隆大学、佛罗里达国际大学和圣克拉拉大学的研究人员利用机器学习技术开发了一个自动筛选工具，以消除诊断中风的一些猜测。

该研究的通讯作者Rema Padman说："机器学习方法已经被用来通过解释详细的数据，如临床记录和诊断成像结果，来帮助检测中风。但是当病人最初在医院急诊科被分流时，这样的信息可能并不容易得到，尤其是在农村和服务不足的社区。"

为了开发他们的中风预测算法，研究人员使用了2012年至2014年期间佛罗里达州急诊医院收治的超过14.3万份个人病人记录。他们还纳入了美国人口普查局进行的美国社区调查的数据，其中包括年龄、性别、种族和现有医疗条件等人口统计数据。

机器学习模型预测中风的准确率为84%。它也是高度敏感的，超过了现有的诊断模型，这些模型往往会错过高达30%的中风。

该研究的主要作者Min Chen说："现有模型的灵敏度不高，这让人担心它们会遗漏相当比例的中风患者。在医疗资源和临床人员短缺的医院，我们的算法可以补充目前的模型，帮助快速确定病人的优先次序，进行适当的干预。"

该研究的结果表明，这种机器学习模型可以在通过影像诊断或实验室测试获得确认之前准确预测一个人已经或正在发生中风的可能性。

"因为我们的模型不需要临床记录或诊断测试结果，它可能在处理症状较轻和不典型的走读中风患者时，对解决误诊难题特别有用，"该研究的共同作者Xuan Tan说。"它也可能在低容量或非卒中中心的急诊科有用，因为那里的服务提供者每天接触到的卒中有限，而且在农村地区，敏感的诊断工具有限。"

但研究人员指出，他们的算法并不打算成为一个独立的模型；它应该与现有的中风诊断模型一起使用。研究人员建议将他们的中风预测算法纳入入院时可获得的自动化、计算机辅助的筛查工具。

该研究发表在《医学互联网研究杂志》上。