目前，全球每年近2000万人死于心血管疾病及相关疾病，包括心脏病发作、中风、脑动脉梗塞和其他循环系统功能障碍。为了预测这些疾病，许多医生使用美国心脏病学会(ACC)和美国心脏学会(AHA)提供的指南，包括评估年龄、胆固醇水平、血压等8个风险因素。但这些指标过于简单，无法解释患者服用多种药物、其他疾病及生活方式等因素的影响。

　　诺丁汉大学流行病学家史蒂芬·翁带领团队，详细比较了ACC/AHA预测指南与4种机器学习算法——随机森林、逻辑回归、梯度增强和神经网络之间的数据分析效率，并希望在没有人为指导的情况下创建预测工具。

　　机器学习被“投喂”了大量数据，包括英国378256名患者的电子病历，目的是在与心血管疾病发作有关的记录中找到共同模式。首先，人工智能算法利用大约78%的病历记录，建立自己的内部“指导方针”，然后对剩余的记录进行测试;人工智能考虑的变量比ACC/AHA指南多出22个，包括种族、关节炎和肾脏疾病等因素;基于2005年的可用记录数据，预测在未来10年内哪些患者心血管疾病会首次发作，并对照检查了2015年的记录数据。

　　结果显示，机器学习方法表现明显优于ACC/AHA指南。表现最好的神经网络算法，比ACC/AHA方法的正确预测率高出7.6%，还降低了一定的错误预警率，相当于在8.3万名患者中额外挽救了355人的生命。其中，对预测结果影响最强的变量包括是否有严重精神疾病、是否服用口服皮质类固醇，以及是否罹患糖尿病。

　　英国曼彻斯特大学数据科学家认为，如果“投喂”更多的数据给新的人工智能算法，可能会带来更大的收益。