Trénovaní kardiologové detekují fibrilaci síní vizuální interpretací určitých úseků čar elektrokardiogramu (EKG) známých jako komplex QRS. Podobně i dostupný EKG-software vyhodnocuje anomálie v signálech z EKG-vodičů, které vytvářejí stopy/linie, aby je označil za fibrilaci síní. My i jiní jsme již dříve prokázali, že metody strojového učení úspěšně identifikují pacienty s paroxyzmální fibrilací síní (PAF) na základě jejich EKG během normálního sinusového rytmu. V této práci jdeme nad rámec dřívějších black-box přístupů a identifikujeme specifické vzory v QRS komplexu normálního sinusového rytmu, které jsou spojeny s fibrilací síní. Implementovali jsme dolování častých vzorů na diskrétních vlnových surových datech EKG, abychom určili vzory, které jsou specifické pro pacienty s PAF, na základě 1minutových záznamů EKG Lead 1 vzorkovaných při 128 Hz od 25 pacientů s PAF a 50 zdravých subjektů z úložiště dat Physionet. Zmenšené (16 Hz) EKG stopy jsme diskretizovali pomocí sedmi symbolů odpovídajících různým stupňům lokální variability ve stopách a z existujících 1 306 jedinečných vzorů se 4 symboly jsme vybrali 850 vzorů, které se vyskytly alespoň pětkrát (abychom zmírnili problémy související s řídkostí). Výsledná matice četnosti vzorů 75×850 představovala četnost každého vzoru v rámci každého ze 75 pacientů a subjekty PAF byly rozlišeny na základě binární regrese Least Absolute Shrinkage and Selection Operator s 5násobnou křížovou validací, která vybrala 50 vzorů (AUC = 0,95; 95% C.I. 0,88-1,00; 94% specificita, 88% senzitivita). Těchto 50 vzorů je kandidáty na vyvolání „otisku prstu“ PAF v rámci normálního sinusového rytmu: např. jeden z vybraných vzorů na obrázku 1 byl pozorován u 76 % pacientů s PAF, zatímco u zdravých pacientů byl přítomen pouze ve 30 %. Naše studie je důkazem toho, že techniky strojového učení a umělé inteligence nejsou omezeny na přístupy typu „black-box“ a lze je použít k získání interpretovatelných poznatků, které by mohly vést k novým biomarkerům spojeným s určitými zdravotními stavy.

.