Cardiologii antrenați detectează fibrilația atrială prin interpretarea vizuală a anumitor segmente de linii ale electrocardiogramei (EKG) cunoscute sub numele de complex QRS. În mod similar, software-ul EKG disponibil evaluează, de asemenea, anomalii în semnalele de la conductele EKG care produc traseele/liniile pentru a semnala fibrilația atrială. Noi și alții am demonstrat anterior că metodele de învățare automată identifică cu succes pacienții cu fibrilație atrială paroxistică (PAF) pe baza EKG-ului lor în timpul ritmului sinusal normal. În această lucrare, mergem dincolo de abordările anterioare de tip black-box și identificăm modele specifice în complexul QRS al unui ritm sinusal normal care sunt asociate cu fibrilația atrială. Am implementat extragerea de tipare frecvente pe datele EKG brute cu forme de undă discretizate pentru a determina tiparele care sunt specifice pacienților cu PAF pe baza înregistrărilor EKG de 1 minut Lead 1 eșantionate la 128 Hz de la 25 de pacienți cu PAF și 50 de subiecți sănătoși dintr-un depozit de date Physionet. Am discretizat traseele EKG eșantionate (16 Hz) cu șapte simboluri care corespund diferitelor grade de variabilitate locală în cadrul traseelor și am selectat din cele 1.306 modele unice existente de 4 simboluri cele 850 de modele care apar de cel puțin 5 ori (pentru a atenua problemele legate de dispersie). Matricea de frecvență a modelelor 75×850 rezultată a reprezentat frecvența fiecărui model în cadrul fiecăruia dintre cei 75 de pacienți, iar subiecții PAF au fost diferențiați pe baza unei regresii binare Least Absolute Shrinkage and Selection Operator cu validare încrucișată de 5 ori care a selectat 50 dintre modele (AUC = 0,95; 95% C.I. 0,88-1,00; 94% specificitate, 88% sensibilitate). Aceste 50 de modele sunt candidate pentru a elucida „amprenta digitală” a PAF în cadrul ritmului sinusal normal: de exemplu, unul dintre modelele selectate în figura 1 a fost observat la 76% dintre pacienții cu PAF, în timp ce a fost prezent doar la 30% dintre pacienții sănătoși. Studiul nostru este o dovadă de concept că tehnicile de învățare automată și de inteligență artificială nu se limitează la abordări de tip black-box și pot fi utilizate pentru a obține informații interpretabile care ar putea duce la noi biomarkeri asociați cu anumite afecțiuni de sănătate.