决定人们患心脏病风险的因素有很多，比如生活方式、家族史、职业、现有疾病等，了解人们的心脏病风险心脏病风险可以帮助他们或他们的医生优先考虑干预措施。
最近，微软推出了人工智能驱动的心脏病风险评分 API，供印度大型医院网络 Apollo 使用。
Anil Bhansali 表示：“世界各地基于人工智能的模型是几十年前开发的，并且以西方人群为基础。
我们新的 API 评分基于阿波罗医院共享的 40 万印度人数据，可以轻松识别每个患者级别的风险。
”微软印度公司总经理。
Bhansali 补充道：“作为人工智能领域的技术合作伙伴或专家，我们与医疗保健提供者和医生合作，整合数据以帮助构建人工智能模型。
”该人工智能工具考虑了21个风险因素，包括饮食、吸烟和吸烟偏好等生活方式属性，以及通过呼吸频率、高血压、收缩压和舒张压反映的心理压力和焦虑，将为治疗计划提供丰富的见解和早期诊断。
“该评分将风险分为高、中、低，并提供对最大可改变风险因素的洞察，从而帮助医生以更全面的方式为患者提供建议，同时为患者提供改善生活方式和及时干预的见解。
”班萨利详细阐述道。
印度每年有近万人患有心脏病，其中有1万名印度人患有冠心病。
阿波罗医院董事总经理 Sangita Reddy 表示：“人工智能和机器学习与我们医生的全球专业知识相结合，将有助于预防心脏病、拯救生命，并确保心脏病患者能够做出明智的健康选择。
”班萨利指出：“印度人口的心脏风险评分是精准医疗保健如何加速预防心血管疾病并减轻疾病负担的现实例子。
” “虽然我们目前正在与 Apollo 合作，但我们也在寻找可以实际尝试此 API 评分的合作伙伴，”他补充道。
事实上，微软并不是第一个利用人工智能技术预测心脏病的组织。
几个月前，《科学》杂志报道了英国诺丁汉大学流行病学家Stephen Weng博士团队在《PLOS ONE》上发表的重要研究成果。
翁博士的团队将机器学习算法应用于电子病历的常规数据分析。
研究发现，与目前的心脏病预测方法相比，深度学习算法不仅可以更准确地预测心脏病风险，还可以减少假阳性患者的数量。
“这项研究的重要性怎么强调都不为过，”未参与这项研究的斯坦福大学血管外科医生 Elsie Ross 博士在接受《科学》杂志采访时表示。
“我真心希望医生们能够敞开心扉拥抱人工智能。
，使用这个工具可以更好地帮助患者。
“我相信大多数心血管医生都和罗斯医生一样对人工智能抱有同样的期望。
因为根据世界卫生组织的统计，2009年，全球非传染性疾病导致的死亡人数为1万人，其中心血管疾病（心脏病、中风等）1万人，占所有非传染性疾病死亡的46.2%；令人担忧的癌症导致1万人死亡，占所有非传染性疾病死亡的21.7%。
心血管疾病的治疗确实刻不容缓 事实上，科学家们一直在努力寻找与心脑血管疾病相关的危险因素，以预防疾病。
ACC/AHA）等机构已将高血压、胆固醇、年龄、吸烟、糖尿病等一系列因素归为与心脏病相关的因素。
血管疾病高危因素及ACC/AHA预测模型上线。
此外，还有其他组织推出的QRISK2、Framingham、Reynolds等预测模型。
ACC/AHA对主要危险因素的预测组合[1] 然而，在翁博士看来，这些方法的威力并不大。
由于所有标准心血管疾病风险评估模型都有一个隐含的假设，即每个风险因素与心血管疾病之间的关系是线性的，因此这些模型可能过度简化了它们的关系。
相对于复杂的生命活动，这显然过于简单，无法揭示患者服用的药物，或者其他疾病和生活方式因素对疾病的影响。
甚至还有违反直觉的因素。
许多人认为脂肪对身体有害，会增加健康人患心血管疾病的风险。
但在某些情况下，它实际上对心脏有保护作用。
“这些异常实际上发生在人体中，”翁博士说。
“计算科学让我们有机会探索这些复杂的关系。
”为了探索利用机器学习来预测心血管疾病的风险，翁博士的团队从临床实践研究数据链（CPRD）数据库中筛选了10年来56名符合标准的居民。
（2018年1月1日起）电子病历显示，这些居民均为2019年各方面指标正常的健康人群。
然后这个大数据库被随机分成两部分，其中67名（78％）居民的电子病历用于训练机器学习算法，其余9名居民的10年电子病历用于验证机器学习算法的准确性算法。
据翁博士了解，这是全球首次利用机器学习在如此大的人群中预测人类患心血管疾病的风险。
为了找到更合适的机器学习算法，翁博士和他的同事使用了4种机器学习算法，分别是：随机森林、逻辑回归、梯度提升和神经网络（neuralnetworks）。
ACC/AHA 模型用作对照。
第一步是让四种机器学习算法在无需人工指令的情况下通过分析 67 份电子病历数据来“创建”预测模型。
当研究人员将标准化数据“输入”四种算法时，他们很快就找到了各自认为与心血管疾病发生更为密切相关的危险因素。
到了这一步，机器学习算法就展现出了它的优势。
与ACC/AHA指南相比，年龄、性别和吸烟这三个危险因素也被四种机器学习算法列为主要危险因素。
然而，当前许多心血管疾病算法都将糖尿病视为危险因素，而四种机器学习模型要么不考虑该因素，要么仅将糖化血红蛋白视为危险因素。
四种深度学习算法发现的重要危险因素[1] 更有趣的是，这四种机器学习模型考虑了心房颤动、种族差异、慢性肾病、慢性阻塞性肺病和严重精神疾病等疾病，以及是否您服用皮质类固醇和甘油三酯水平等生物标志物是重要的风险因素。
但现有模型中不存在这些。
这再次表明，机器学习可以帮助研究人员发现人类难以察觉的潜在风险因素，但机器学习可以从其他变量中进行推断。
那么这些机器学习模型可靠吗？第二步，翁博士将四种机器学习算法独立构建的模型与ACC/AHA模型进行了比较，并要求他们预测剩下的9名居民中哪些人会在10年内患上心血管疾病（实际总数）当然，研究人员并没有告诉深度学习模型这个信息），哪些病例不会生病。
他们的预测结果如下。
四种深度学习“探索”模型与ACC/AHA模型的预测能力对比[1] 不难看出，四种机器算法独立创建的模型均优于ACC/AHA模型。
随机森林模型的灵敏度比ACC/AHA高2.6%，逻辑回归模型的灵敏度比ACC/AHA高4.4%，梯度提升机和神经网络模型的灵敏度更高高于 ACC/AHA。
4.8%。
从这项研究的结果来看，最好的神经网络算法似乎比传统模型正确预测了更多居民的风险。
这意味着在更大的人群中，将有数万人因此而得救。
将数据处理过程可视化的方法[1] 然而，我们不难发现，即使引入深度学习算法后，仍有超过30%的高危居民没有被提前预测。
这意味着深度学习算法仍需大幅改进。
未来，翁希望将更多的生命因素和遗传因素纳入分析中，以提高其准确性。
这件事或许没那么容易。
因为机器学习算法就像一个“黑匣子”，你输入数据，它就会反馈结果。
然而，目前研究人员很难知道这个黑匣子里究竟发生了什么，这使得科学家很难对算法进行调整。
不过，科学家们正在努力改善这种情况，努力将数据处理过程可视化。