该研究由医学博士 Akhil Vaid 领导，他是一位在 Glicksberg 实验室工作的博士后学者，由 Girish N. Nadkarni，医学博士，公共卫生硕士，CPH 领导，西奈山伊坎医学院医学副教授，首席数据驱动和数字医学部 (D3M) 的成员，也是该研究的资深作者。

影响大约 620 万人的心力衰竭或充血性心力衰竭，当心脏泵出的血液少于身体正常需要时就会发生。多年来，医生严重依赖一种称为超声心动图的成像技术来评估患者是否可能正在经历心力衰竭。虽然有用，但超声心动图可能是劳动密集型程序，仅在特定医院提供。

然而，人工智能最近的突破表明，心电图——一种广泛使用的电子记录设备——在这些情况下可能是一种快速且容易获得的替代方案。例如，许多研究表明，“深度学习”算法可以检测心脏左心室的弱点，将新鲜的含氧血液推向身体的其他部位。在这项研究中，研究人员描述了一种算法的开发，该算法不仅可以评估左心室的强度，还可以评估右心室的强度，该算法可以从身体中吸收脱氧血液并将其泵送到肺部。

“虽然很有吸引力，但传统上医生使用 ECG 来诊断心力衰竭一直具有挑战性。这部分是因为这些评估没有既定的诊断标准，而且 ECG 读数的一些变化对于人眼来说太微妙了，无法检测到， ”纳德卡尼博士说。“这项研究代表了在发现隐藏在心电图数据中的信息方面向前迈出的令人兴奋的一步，这可以使用相对简单且广泛可用的测试导致更好的筛查和治疗范例。”

通常，心电图包括两步过程。导线被贴在病人胸部的不同部位，几分钟内，一台专门设计的便携式机器就会打印出一系列代表心脏电活动的波浪线或波形。这些机器可以在的大多数医院和救护车中找到，并且只需最少的培训即可操作。

在这项研究中，研究人员对计算机进行了编程，以读取患者心电图以及从书面报告中提取的数据，这些数据总结了从同一患者身上采集的相应超声心动图的结果。在这种情况下，书面报告充当了计算机的标准数据集，可以与心电图数据进行比较，并学习如何发现较弱的心脏。

自然语言处理程序帮助计算机从书面报告中提取数据。同时，结合了能够发现图像模式的特殊神经网络，以帮助算法学习识别泵送强度。