Geschulte Kardiologen erkennen Vorhofflimmern durch visuelle Interpretation bestimmter Segmente von Elektrokardiogramm (EKG)-Linien, die als QRS-Komplex bezeichnet werden. Ebenso wertet die verfügbare EKG-Software Anomalien in den Signalen der EKG-Ableitungen aus, die die Kurven/Linien erzeugen, um Vorhofflimmern zu erkennen. Wir und andere haben bereits gezeigt, dass maschinelle Lernverfahren erfolgreich Patienten mit paroxysmalem Vorhofflimmern (PAF) auf der Grundlage ihres EKGs im normalen Sinusrhythmus identifizieren. In dieser Arbeit gehen wir über die früheren Black-Box-Ansätze hinaus und identifizieren spezifische Muster im QRS-Komplex eines normalen Sinusrhythmus, die mit Vorhofflimmern assoziiert sind. Wir haben Frequent Pattern Mining auf diskretisierte EKG-Rohdaten angewandt, um Muster zu ermitteln, die für Patienten mit PAF spezifisch sind. Grundlage hierfür waren einminütige EKG-Aufzeichnungen der Ableitung 1, die mit 128 Hz von 25 Patienten mit PAF und 50 gesunden Probanden aus einem Physionet-Datenspeicher abgetastet wurden. Wir diskretisierten die heruntergetasteten (16 Hz) EKG-Spuren mit sieben Symbolen, die verschiedenen Graden lokaler Variabilität innerhalb der Spuren entsprechen, und wählten aus den vorhandenen einzigartigen 1.306 4-Symbol-Mustern die 850 Muster aus, die mindestens fünfmal vorkommen (um Probleme im Zusammenhang mit der Sparsamkeit zu mildern). Die sich daraus ergebende 75×850-Musterhäufigkeitsmatrix stellte die Häufigkeit jedes Musters bei jedem der 75 Patienten dar, und die PAF-Probanden wurden auf der Grundlage einer binären Regression mit Least Absolute Shrinkage und Selektionsoperator mit 5-facher Kreuzvalidierung unterschieden, wobei 50 der Muster ausgewählt wurden (AUC = 0,95; 95% C.I. 0,88-1,00; 94% Spezifität, 88% Sensitivität). Diese 50 Muster sind Kandidaten für den „Fingerabdruck“ der PAF im normalen Sinusrhythmus: Eines der ausgewählten Muster in Abbildung 1 wurde beispielsweise bei 76 % der PAF-Patienten beobachtet, während es nur bei 30 % der gesunden Patienten vorhanden war. Unsere Studie beweist, dass Techniken des maschinellen Lernens und der künstlichen Intelligenz nicht auf Black-Box-Ansätze beschränkt sind und zur Ableitung interpretierbarer Erkenntnisse genutzt werden können, die zu neuen Biomarkern für bestimmte Gesundheitszustände führen könnten.