中風的診斷可能很棘手，因為患者並不總是表現出典型的症狀，而且其他疾病也可能模仿它。研究人員利用現有數據開發了一種機器學習模型，可以準確預測中風，並可能使診斷變得更容易。診斷錯誤是一個主要的公共衛生問題，造成了可預防的病人傷害和衛生超支。由於診斷錯誤而導致的可預防的中風死亡比誤診的心髒病發作要常見30倍。

中風可能特別難以診斷，因為它的跡象和症狀可能被其他疾病所模仿，如癲癇發作、偏頭痛、精神障礙、藥物和酒精中毒。此外，中風可以表現為非典型症狀。大約25%的中風患者不會出現通常的語言問題、面部下垂和四肢無力，這使保健醫生做出準確診斷的能力更加複雜。

來自卡內基梅隆大學、佛羅里達國際大學和聖克拉拉大學的研究人員利用機器學習技術開發了一個自動篩選工具，以消除診斷中風的一些猜測。

該研究的通訊作者Rema Padman說：”機器學習方法已經被用來通過解釋詳細的數據，如臨床記錄和診斷成像結果，來幫助檢測中風。但是當病人最初在醫院急診科被分流時，這樣的信息可能並不容易得到，尤其是在農村和服務不足的社區。”

為了開發他們的中風預測算法，研究人員使用了2012年至2014年期間佛羅里達州急診醫院收治的超過14.3萬份個人病人記錄。他們還納入了美國人口普查局進行的美國社區調查的數據，其中包括年齡、性別、種族和現有醫療條件等人口統計數據。

機器學習模型預測中風的準確率為84%。它也是高度敏感的，超過了現有的診斷模型，這些模型往往會錯過高達30%的中風。

該研究的主要作者Min Chen說：”現有模型的靈敏度不高，這讓人擔心它們會遺漏相當比例的中風患者。在醫療資源和臨床人員短缺的醫院，我們的算法可以補充目前的模型，幫助快速確定病人的優先次序，進行適當的干預。”

該研究的結果表明，這種機器學習模型可以在通過影像診斷或實驗室測試獲得確認之前準確預測一個人已經或正在發生中風的可能性。

“因為我們的模型不需要臨床記錄或診斷測試結果，它可能在處理症狀較輕和不典型的走讀中風患者時，對解決誤診難題特別有用，”該研究的共同作者Xuan Tan說。”它也可能在低容量或非卒中中心的急診科有用，因為那裡的服務提供者每天接觸到的卒中有限，而且在農村地區，敏感的診斷工具有限。”

但研究人員指出，他們的算法並不打算成為一個獨立的模型；它應該與現有的中風診斷模型一起使用。研究人員建議將他們的中風預測算法納入入院時可獲得的自動化、計算機輔助的篩查工具。

該研究發表在《醫學互聯網研究雜誌》上。