Uddannede kardiologer opdager atrieflimren ved visuel fortolkning af visse segmenter af elektrokardiogrammer (EKG), der er kendt som QRS-komplekset. På samme måde vurderer tilgængelig EKG-software også anomalier i signalerne fra de EKG-ledninger, der producerer sporene/linjerne, med henblik på at markere for atrieflimren. Vi og andre har tidligere vist, at maskinlæringsmetoder med succes identificerer patienter med paroxysmal atrieflimren (PAF) på grundlag af deres EKG under normal sinusrytme. I dette arbejde går vi videre end de tidligere black-box-tilgange og identificerer specifikke mønstre i QRS-komplekset i en normal sinusrytme, som er forbundet med atrieflimmer. Vi implementerede frequent pattern mining på diskretiserede bølgeformede rå EKG-data for at bestemme mønstre, der er specifikke for patienter med PAF baseret på 1-minutters Lead 1 EKG-optagelser samplet ved 128 Hz fra 25 patienter med PAF og 50 raske forsøgspersoner fra et Physionet-datarepositorium. Vi diskretiserede de nedjusterede (16 Hz) EKG-spor med syv symboler svarende til forskellige grader af lokal variabilitet i sporene og udvalgte fra de eksisterende unikke 1 306 4-symbolmønstre de 850 mønstre, der forekommer mindst 5 gange (for at mindske sparsomhedsrelaterede problemer). Den resulterende 75×850 mønsterfrekvensmatrix repræsenterede frekvensen af hvert mønster inden for hver af de 75 patienter, og PAF-emnerne blev adskilt på grundlag af en binær Least Absolute Shrinkage and Selection Operator-regression med 5-fold krydsvalidering, der udvalgte 50 af mønstrene (AUC = 0,95; 95% C.I. 0,88-1,00; 94% specificitet, 88% følsomhed). Disse 50 mønstre er kandidater til at fremkalde PAF’s “fingeraftryk” inden for normal sinusrytme: f.eks. blev et af de udvalgte mønstre i figur 1 observeret hos 76 % af PAF-patienterne, mens det kun var til stede hos 30 % af de raske patienter. Vores undersøgelse er et bevis på, at maskinlæring og teknikker til kunstig intelligens ikke er begrænset til black-box-tilgange og kan bruges til at udlede fortolkelig indsigt, som kan føre til nye biomarkører, der er forbundet med visse helbredstilstande.