據外媒報導，發表在《Heart》上的一項研究發現，人工智能(AI)分支“機器學習”可以結合時間和天氣數據準確預測醫院外心臟驟停–當心臟突然停止跳動–的風險。機器學習是對計算機算法的研究，並且基於這樣一種思想：系統可以從數據中學習並識別模式從而以最小的干預為決策提供信息。

研究結果顯示，心臟驟停的風險在周日、週一、公共假日及數天內氣溫急劇下降時達到最高。

研究人員建議，這些信息可以作為公民的早期預警系統以降低他們的風險、提高他們的生存機會並改善緊急醫療服務的準備工作。

院外心臟驟停在世界各地都非常常見，但通常跟低生存率相關。風險還受當時天氣狀況的影響。

來自日本的研究人員指出，雖然氣象數據是廣泛而復雜的，但機器學習有潛力提取傳統一維統計方法無法識別的關性聯。為了展開進一步的探索，他們利用每天的天氣（溫度、相對濕度、降水、降雪、雲層、風速和大氣壓力讀數）和時間（年、季節、一周中具體的某天天、一天中的具體時間及公共假日）數據來評估機器學習預測院外心臟驟停的能力。

在2005年至2013年發生的1299784例病例中，研究人員將機器學習應用到525374例病例中。在這個過程中，機器學期使用天氣或時間數據或兩者展開訓練。然後，研究人員將結果跟2014-15年發生的135678例進行比較以檢驗該模型預測其他年份每日心臟驟停次數的準確性。

另外，研究人員還利用了2016年1月至2018年12月神戶院外心臟驟停的另一個數據集進行了“熱圖分析”以了解該方法在當地的準確性。

在訓練和測試數據集中，天氣和時間數據的結合能夠最準確地預測院外心臟驟停。

該研究預測，週日、週一、公共假期、冬季、低溫及數天內的氣溫驟降跟心臟驟停的關聯性比單純的天氣或時間數據更強。

研究人員承認，除了神戶以外，他們沒有關於心跳驟停地點的詳細信息，也沒有關於先前存在的疾病的任何數據，這兩者都可能影響了研究結果。

但他們指出：“我們的（院外心臟驟停）每日發病率預測模型在發達國家的一般人群中廣泛適用，因為這項研究的樣本規模大並且使用了全面的氣象數據。”

另外他們補充道：“這項研究中開發的方法可以作為預測分析新模型的一個例子，可以應用於危及生命的急性心血管疾病相關的其他臨床結果。”

他們的結論是–這種預測模型可能可以通過一個面向市民和緊急醫療服務的預警系統在未來高風險的日子有助於預防院外心臟驟停並改善患者的預後。

Thomas Jefferson大學Sidney Kimmel醫學院的David Foster Gaieski博士在一篇相關社論中表示同意。另外他還表示：“這些預測可用於資源部署、調度和計劃以便緊急醫療服務系統、急診科復甦資源和心導管實驗室工作人員了解未來幾天預計（病例）的數量並為此做好準備。 ”