由布里斯托尔迈尔斯Squibb-Pfizer联盟开发的人工智能（AI）基础机器学习（ML）算法有助于支持高风险颤动（AF）的患者的鉴定，如回顾性数据集和所验证的脉冲ai试验。
如果在初级保健中实施，该算法可能是一种成本有效的方法，以确定未确诊的AF的最高风险的方法，谁应该进一步评估。审判的结果在Esc大会2021年宣布，由欧洲心脏病学（ESC）组织。
AF在英国人群的3％普遍存在，增加了卒中的风险五次，与心力衰竭有关。早期检测和管理可能会改善患者的结果，但检测是挑战，因为某些人可能会遇到最小或没有症状。因此，多达300,000人在英国居住在未结社会。
PULsE-AI试验,进行1880人30岁和超过20个月期间,旨在评估的有效性和成本效益毫升风险预测算法结合诊断检测的识别高危患者房颤在初级保健设置在英国。使用ML算法识别房颤高危人群，并将其分为两组进行研究:
- 邀请干预小组参加诊断检测研究诊所，包括12引导ECG;使用Kardiamobile两次每日两周
- 对照组与调查人员没有直接接触，但可以获得通常的临床实践，以诊断AF。
基于假设的AF诊断率，预计干预组中的2.4％的人和对照组中的0.7％的人将被诊断为期六个月内的AF。然而，通过AI算法鉴定，4.97％的干预组，4.93％的对照组被诊断出存在条件。试验不符合其主要终点（其干预臂中的AF诊断的数量与控制手臂）可能归因于由于Covid-19大流行的试验扩展所带来的预测背景诊断率高。
尽管如此，在亚组分析中查看出于诊断检测研究诊所的高风险参与者，发现干预措施优于常规实践，其中8.63％AF诊断与对照组（4.93％）发生。作者的结论是，该算法可能是在未确诊的AF的高风险中缩小群体的有效工具，该工具应该进行诊断测试。
Usman Farooqui，执行董事 - 在布里斯托尔Myers Squibb的医学欧洲，东欧，土耳其，土耳其，以色列人和印度（Ceetii）主管说：“我们很高兴这些结果证实了算法在帮助识别风险的人们方面的有效性控制和干预组中的AF。
“我们的目标是将Pulse-AI算法作为一种工具，可以在不久的将来帮助健康提供者。当在临床环境中实施时，它有可能识别更多人需要AF管理的人，以便他们在需要时可以接受他们需要的护理。“
卫生经济影响评估的进一步结果将在今年晚些时候公布。
