新的AI軟件可以通過X射線快速，準確地確定心律設備的制造商和型號，從而可能在設備出現故障時加快治療速度。

全球主要作者詹姆斯·P·霍華德（James P. Howard），MB BChir和其同事在《JACC：臨床電生理學》（ CCC）中寫道，全世界每年有超過100萬人植入起搏器，環路記錄儀或除纖顫器，但患者在設備故障時會迅速惡化。當患者無法共享設備型號或臨床醫生無法訪問植入醫院的記錄時，心臟病醫生通常會將X射線圖像與流程圖進行比較，以嘗試確定制造該設備的制造商。只有這樣，才能相應地調整設備的編程。

但是霍華德等。發現卷積神經網絡（CNN）在識別1676種設備的圖像方面比心臟病專家要準確得多，其中包括來自五個制造商的45種不同模型。

CNN從X射線照片中挑選出制造商的準確性為99.6%，在識別模型組方面的準確性為96.4%。五位心臟病專家（包括兩名電生理學家）在識別制造商方面的準確度在62.3%到88.9%之間，并且使用流程圖算法無法進行模型組識別。電生理學家是最準確的，但是第二好的醫師在選擇制造商時達到了72%的準確性。

霍華德等。他說，他們的模型可能在臨床上很有用，尤其是在進一步研究評估并驗證其真實世界準確性之后。該系統當前可作為教育工具在線使用，醫生可以與之交互并向其上傳圖像。

“起搏器程序員是便攜式的，但體積很大，只有制造商（即特定的程序員）才能與患者的設備進行通信，”霍華德和合著者寫道。知道要帶給哪個程序員可以節省寶貴的臨床時間。這不僅可以促進緊急情況下設備的快速詢問，而且還可以提供緊急治療，例如在表現出室性心動過速的患者中進行抗心動過速起搏。”

研究人員說，只有一種情況，CNN無法準確識別設備的制造商。在更多情況下，沒有選擇特定的模型，但是CNN為每個圖像提供了前三個預測，并且在99.6%的時間中，它在前三個選擇中都包含了正確的模型。

霍華德等。他說，使用該算法僅需要將設備的X射線圖像上傳到裝有該軟件的計算機上，這樣一來，預測結果就會在幾秒鐘內回復。CNN只能識別經過訓練的45種設備，但是作者鼓勵其他臨床醫生將其他設備的圖像添加到在線門戶。他們寫道，它采用了25種新設備來訓練神經網絡的示例。

“我們的方法可能會加快心律失常設備患者的診斷和治療，但是本文還演示了如何越來越多地使用神經網絡來處理整個醫療保健系統中的大量醫療數據，以及未來的患者護理將如何依賴越來越多地依靠計算機輔助決策。”霍華德及其同事寫道。