Geschoolde cardiologen detecteren atriumfibrilleren door visuele interpretatie van bepaalde segmenten van elektrocardiogram (EKG) lijnen die bekend staan als het QRS-complex. Beschikbare EKG-software evalueert ook afwijkingen in de signalen van de EKG-afleidingen die de sporen/lijnen produceren, om te markeren voor atriumfibrillatie. Wij en anderen hebben eerder aangetoond dat machine-leermethoden met succes patiënten met paroxysmaal atriumfibrilleren (PAF) identificeren op basis van hun EKG tijdens normaal sinusritme. In dit werk gaan we verder dan de eerdere black-box benaderingen en identificeren we specifieke patronen in het QRS-complex van een normaal sinusritme die geassocieerd zijn met atriumfibrilleren. We hebben frequente patroon mining geïmplementeerd op gediscretiseerde golfvorm ruwe EKG-gegevens om patronen te bepalen die specifiek zijn voor patiënten met PAF op basis van 1-minuut Lead 1 EKG-opnamen bemonsterd op 128 Hz van 25 patiënten met PAF en 50 gezonde proefpersonen uit een Physionet-datarepository. We hebben de gedownsamplede (16 Hz) EKG-traces gediscribeerd met zeven symbolen die overeenkomen met verschillende gradaties van lokale variabiliteit binnen de traces en uit de bestaande unieke 1.306 4-symboolpatronen de 850 patronen geselecteerd die minstens 5 keer voorkomen (om sparsity-gerelateerde problemen te beperken). De resulterende 75×850 patroon frequentie matrix vertegenwoordigde de frequentie van elk patroon binnen elk van de 75 patiënten en PAF onderwerpen werden onderscheiden op basis van een binaire Least Absolute Shrinkage en Selection Operator regressie met 5-voudige kruisvalidatie die 50 van de patronen selecteerde (AUC = 0,95; 95% C.I. 0,88-1,00; 94% specificiteit, 88% gevoeligheid). Deze 50 patronen zijn kandidaten om de “vingerafdruk” van PAF binnen het normale sinusritme te ontlokken: bv. één van de geselecteerde patronen in figuur 1 werd waargenomen in 76% van de PAF-patiënten, terwijl het slechts in 30% van de gezonde patiënten aanwezig was. Onze studie is een bewijs van concept dat machinaal leren en kunstmatige intelligentietechnieken niet beperkt zijn tot black-boxbenaderingen en kunnen worden gebruikt om interpreteerbare inzichten af te leiden die kunnen leiden tot nieuwe biomarkers die geassocieerd zijn met bepaalde gezondheidsaandoeningen.