Cardiologi esperti rilevano la fibrillazione atriale attraverso l’interpretazione visiva di alcuni segmenti di linee dell’elettrocardiogramma (EKG) conosciuti come il complesso QRS. Allo stesso modo, il software disponibile per l’elettrocardiogramma valuta anche le anomalie nei segnali delle linee dell’elettrocardiogramma che producono i tracciati/linee per segnalare la fibrillazione atriale. Noi e altri abbiamo precedentemente dimostrato che i metodi di apprendimento automatico identificano con successo i pazienti con fibrillazione atriale parossistica (PAF) sulla base del loro ECG durante il normale ritmo sinusale. In questo lavoro, andiamo oltre i precedenti approcci black-box e identifichiamo modelli specifici nel complesso QRS di un normale ritmo sinusale che sono associati alla fibrillazione atriale. Abbiamo implementato il frequente pattern mining sui dati discretizzati della forma d’onda grezza dell’elettrocardiogramma per determinare i modelli che sono specifici dei pazienti con PAF basati su registrazioni di 1 minuto dell’elettrocardiogramma del cavo 1 campionato a 128 Hz da 25 pazienti con PAF e 50 soggetti sani da un archivio di dati Physionet. Abbiamo discretizzato le tracce EKG sottocampionate (16 Hz) con sette simboli corrispondenti a vari gradi di variabilità locale all’interno delle tracce e selezionato dai 1.306 modelli unici esistenti a 4 simboli i 850 modelli che si verificano almeno 5 volte (per mitigare i problemi legati alla sparsità). La matrice di frequenza dei modelli 75×850 risultante ha rappresentato la frequenza di ogni modello all’interno di ciascuno dei 75 pazienti e i soggetti PAF sono stati distinti sulla base di una regressione binaria Least Absolute Shrinkage e Selection Operator con convalida incrociata a 5 volte che ha selezionato 50 dei modelli (AUC = 0,95; 95% C.I. 0,88-1,00; 94% specificità, 88% sensibilità). Questi 50 modelli sono candidati per ottenere l'”impronta digitale” della PAF all’interno del normale ritmo sinusale: ad esempio, uno dei modelli selezionati nella Figura 1 è stato osservato nel 76% dei pazienti con PAF mentre era presente solo nel 30% dei pazienti sani. Il nostro studio è una prova di concetto che l’apprendimento automatico e le tecniche di intelligenza artificiale non sono limitati ad approcci black-box e possono essere utilizzati per derivare intuizioni interpretabili che potrebbero portare a nuovi biomarcatori associati a determinate condizioni di salute.