据外媒报道，发表在《Heart》上的一项研究发现，人工智能(AI)分支“机器学习”可以结合时间和天气数据准确预测医院外心脏骤停--当心脏突然停止跳动--的风险。机器学习是对计算机算法的研究，并且基于这样一种思想：系统可以从数据中学习并识别模式从而以最小的干预为决策提供信息。 研究结果显示，心脏骤停的风险在周日、周一、公共假日及数天内气温急剧下降时达到最高。 研究人员建议，这些信息可以作为公民的早期预警系统以降低他们的风险、提高他们的生存机会并改善紧急医疗服务的准备工作。 院外心脏骤停在世界各地都非常常见，但通常跟低生存率相关。风险还受当时天气状况的影响。 来自日本的研究人员指出，虽然气象数据是广泛而复杂的，但机器学习有潜力提取传统一维统计方法无法识别的关性联。为了展开进一步的探索，他们利用每天的天气（温度、相对湿度、降水、降雪、云层、风速和大气压力读数）和时间（年、季节、一周中具体的某天天、一天中的具体时间及公共假日）数据来评估机器学习预测院外心脏骤停的能力。 在2005年至2013年发生的1299784例病例中，研究人员将机器学习应用到525374例病例中。在这个过程中，机器学期使用天气或时间数据或两者展开训练。然后，研究人员将结果跟2014-15年发生的135678例进行比较以检验该模型预测其他年份每日心脏骤停次数的准确性。 另外，研究人员还利用了2016年1月至2018年12月神户院外心脏骤停的另一个数据集进行了“热图分析”以了解该方法在当地的准确性。 在训练和测试数据集中，天气和时间数据的结合能够最准确地预测院外心脏骤停。 该研究预测，周日、周一、公共假期、冬季、低温及数天内的气温骤降跟心脏骤停的关联性比单纯的天气或时间数据更强。 研究人员承认，除了神户以外，他们没有关于心跳骤停地点的详细信息，也没有关于先前存在的疾病的任何数据，这两者都可能影响了研究结果。 但他们指出：“我们的（院外心脏骤停）每日发病率预测模型在发达国家的一般人群中广泛适用，因为这项研究的样本规模大并且使用了全面的气象数据。” 另外他们补充道：“这项研究中开发的方法可以作为预测分析新模型的一个例子，可以应用于危及生命的急性心血管疾病相关的其他临床结果。” 他们的结论是--这种预测模型可能可以通过一个面向市民和紧急医疗服务的预警系统在未来高风险的日子有助于预防院外心脏骤停并改善患者的预后。 Thomas Jefferson大学Sidney Kimmel医学院的David Foster Gaieski博士在一篇相关社论中表示同意。另外他还表示：“这些预测可用于资源部署、调度和计划以便紧急医疗服务系统、急诊科复苏资源和心导管实验室工作人员了解未来几天预计（病例）的数量并为此做好准备。”
