Wyszkoleni kardiolodzy wykrywają migotanie przedsionków poprzez wizualną interpretację pewnych segmentów linii elektrokardiogramu (EKG), znanych jako zespół QRS. Podobnie, dostępne oprogramowanie EKG również ocenia anomalie w sygnałach z elektrod EKG, które produkują ślady/linie w celu oznaczenia migotania przedsionków. My i inni wykazaliśmy wcześniej, że metody uczenia maszynowego z powodzeniem identyfikują pacjentów z napadowym migotaniem przedsionków (PAF) na podstawie ich EKG podczas normalnego rytmu zatokowego. W tej pracy wykraczamy poza wcześniejsze podejścia typu black-box i identyfikujemy specyficzne wzorce w zespole QRS normalnego rytmu zatokowego, które są związane z migotaniem przedsionków. Zaimplementowaliśmy eksplorację wzorców częstości na zdyskretyzowanych falach surowych danych EKG w celu określenia wzorców, które są specyficzne dla pacjentów z PAF na podstawie 1-minutowych zapisów EKG z odprowadzenia 1 próbkowanego z częstotliwością 128 Hz od 25 pacjentów z PAF i 50 zdrowych osób z repozytorium danych Physionet. Zdyskretyzowaliśmy ślady EKG z obniżonym próbkowaniem (16 Hz) za pomocą siedmiu symboli odpowiadających różnym stopniom lokalnej zmienności w obrębie śladów i wybraliśmy z istniejących unikalnych 1,306 4-symbolowych wzorców 850 wzorców występujących co najmniej 5 razy (aby złagodzić problemy związane z rozproszeniem). Uzyskana macierz częstotliwości wzorców 75×850 reprezentowała częstotliwość każdego wzorca w obrębie każdego z 75 pacjentów, a osoby z PAF zostały wyróżnione na podstawie binarnej regresji Least Absolute Shrinkage and Selection Operator z 5-krotną walidacją krzyżową, która wybrała 50 wzorców (AUC = 0,95; 95% C.I. 0,88-1,00; 94% specyficzność, 88% czułość). Te 50 wzorców jest kandydatami na „odcisk palca” PAF w prawidłowym rytmie zatokowym: np. jeden z wybranych wzorców na rycinie 1 był obserwowany u 76% pacjentów z PAF, podczas gdy był obecny tylko u 30% zdrowych pacjentów. Nasze badanie jest dowodem koncepcji, że techniki uczenia maszynowego i sztucznej inteligencji nie są ograniczone do podejść typu black-box i mogą być wykorzystane do uzyskania interpretowalnych spostrzeżeń, które mogą prowadzić do nowych biomarkerów związanych z pewnymi stanami zdrowia.

.