Trained Cardiologists detect atrial fibrillation by visual interpretation of certain segments of electrocardiogram (EKG) lines known as the QRS complex.The Travising cardiologist has done to find a cardiology. 同様に、利用可能な心電図ソフトウェアも、心房細動のフラグを立てるために、トレース/ラインを生成する心電図リードからの信号の異常を評価する。 私たちは以前、機械学習の手法により、正常な洞調律時の心電図に基づいて発作性心房細動（PAF）患者を識別することに成功したことを示しました。 本研究では、これまでのブラックボックス的なアプローチを超えて、心房細動と関連する正常洞調律のQRS複合体における特定のパターンを特定する。 我々は、Physionetデータリポジトリから25人のPAF患者と50人の健常者から128Hzでサンプリングした1分間のリード1心電図記録に基づいて、PAF患者に特有のパターンを決定するために、離散化波形生心電図データで頻出パターンマイニングを実行した。 ダウンサンプリングされた（16Hz）心電図トレースを、トレース内の様々な局所的変動度に対応する7つのシンボルで離散化し、既存のユニークな1,306個の4シンボルパターンから、（スパース性に関連する問題を軽減するため）少なくとも5回発生する850個のパターンを選択した。 75×850のパターン頻度行列は、75人の患者のそれぞれにおける各パターンの頻度を表し、PAF被験者は、パターンのうち50個を選択した5重クロスバリデーションによるバイナリLeast Absolute Shrinkage and Selection Operator回帰に基づいて区別した（AUC = 0.95; 95% C.I. 0.88-1.00; 94% specificity、88% sensitivity）。 例えば、図1のパターンの1つは、PAF患者の76%で観察されたのに対し、健常者の30%でしか観察されなかった。 我々の研究は、機械学習と人工知能の技術がブラックボックス的なアプローチに限定されず、特定の健康状態に関連する新規バイオマーカーにつながる解釈可能な洞察を導き出すために使用できることを概念的に証明するものである

。