新的AI软件可以通过X射线快速，准确地确定心律设备的制造商和型号，从而可能在设备出现故障时加快治疗速度。
全球主要作者詹姆斯·P·霍华德(James P. Howard)，MB BChir和其同事在《JACC：临床电生理学》( CCC)中写道，全世界每年有超过100万人植入起搏器，环路记录仪或除纤颤器，但患者在设备故障时会迅速恶化。当患者无法共享设备型号或临床医生无法访问植入医院的记录时，心脏病医生通常会将X射线图像与流程图进行比较，以尝试确定制造该设备的制造商。只有这样，才能相应地调整设备的编程。
但是霍华德等。发现卷积神经网络(CNN)在识别1676种设备的图像方面比心脏病专家要准确得多，其中包括来自五个制造商的45种不同模型。
CNN从X射线照片中挑选出制造商的准确性为99.6%，在识别模型组方面的准确性为96.4%。五位心脏病专家(包括两名电生理学家)在识别制造商方面的准确度在62.3%到88.9%之间，并且使用流程图算法无法进行模型组识别。电生理学家是最准确的，但是第二好的医师在选择制造商时达到了72%的准确性。
霍华德等。他说，他们的模型可能在临床上很有用，尤其是在进一步研究评估并验证其真实世界准确性之后。该系统当前可作为教育工具在线使用，医生可以与之交互并向其上传图像。
“起搏器程序员是便携式的，但体积很大，只有制造商(即特定的程序员)才能与患者的设备进行通信，”霍华德和合著者写道。知道要带给哪个程序员可以节省宝贵的临床时间。这不仅可以促进紧急情况下设备的快速询问，而且还可以提供紧急治疗，例如在表现出室性心动过速的患者中进行抗心动过速起搏。”
研究人员说，只有一种情况，CNN无法准确识别设备的制造商。在更多情况下，没有选择特定的模型，但是CNN为每个图像提供了前三个预测，并且在99.6%的时间中，它在前三个选择中都包含了正确的模型。
霍华德等。他说，使用该算法仅需要将设备的X射线图像上传到装有该软件的计算机上，这样一来，预测结果就会在几秒钟内回复。CNN只能识别经过训练的45种设备，但是作者鼓励其他临床医生将其他设备的图像添加到在线门户。他们写道，它采用了25种新设备来训练神经网络的示例。
“我们的方法可能会加快心律失常设备患者的诊断和治疗，但是本文还演示了如何越来越多地使用神经网络来处理整个医疗保健系统中的大量医疗数据，以及未来的患者护理将如何依赖越来越多地依靠计算机辅助决策。”霍华德及其同事写道。