潛在的心律失常患者通常是去看醫生，由醫生當面用心電圖儀進行檢查。如果心電圖儀沒有發現問題，醫生可能會讓潛在患者使用可穿戴設備，對心律進行兩週的持續監測。設備生成數據的時間跨度長達300多小時，醫生需要分析其中每一秒的數據，以發現心律失常的跡象。有危害的心律數據與沒有危害的心律數據往往極難區分。
斯坦福大學的新聞公告說，該校機器學習團隊負責人、著名人工智能專家吳恩達發現，這是一個數據問題。研究人員為此開發了一個可以根據心電信號診斷不同類型心律失常的深度學習演算法。他們與提供可穿戴心律監測設備的企業合作，獲取了大約3萬6000人的心電數據樣本，用以訓練一個深度神經網絡模型。
7個月後，這個神經網絡模型診斷心律失常的準確度堪比心臟病醫生，多數情況下甚至超過醫生。相關研究論文已在收錄科學文獻預印本的線上開放數據庫arXiv上發佈。據研究人員介紹，心律失常有多種類型，其中的差別很微妙，但對如何處置所發現的心律失常情況有很大影響。比如，被稱為二級房室傳導阻滯的心律失常有兩種類型，看上去很相似，但其中一種無需治療，而另一種則需要立即觀察。他們的研究成果不僅能夠發現心律失常跡象，而且還可以高準確度發現心律失常的不同類型，這種準確度是前所未有的。另外，這個演算法的優勢還在於不會疲勞，可以持續地對心律失常做出即時診斷◆
