心脏病发作的症状有时与非心脏相关的疾病相似，使诊断变得棘手。英国研究人员已经转向机器学习，为医生提供一种快速和准确的诊断心脏病发作的方法，这有可能缩短诊断所需的时间，并为患者提供更高效和有效的治疗。

目前，诊断心脏病发作的金标准是测量血液中蛋白质肌钙蛋白的水平。肌钙蛋白在心肌受损时释放出来；水平通常在心脏病发作后3至12小时内急剧上升，大约24小时后达到峰值。

世界各地的许多医院都采用了诊断路径，包括在有人因疑似心脏病发作入院时评估肌钙蛋白水平。但它们有一些局限性：它们需要固定时间收集血样，这在急诊科环境中是一个挑战；它们只将患者分为心脏病发作的低、中或高风险，而不考虑其他重要信息，如症状何时开始或心电图结果；而且，它们没有考虑到性别、年龄和合并症的影响。

现在，英国的研究人员已经开发出一种基于人工智能的机器学习算法，该算法快速而准确。该算法被命名为"急性冠状动脉综合征诊断与评估协作"（CoDE-ACS），旨在计算单个患者心脏病发作的概率。

研究人员使用了来自全球六个国家的10286名可能出现心脏病发作的患者的数据。除肌钙蛋白水平外，还利用病人的性别、年龄、心电图结果和病史来"教导"机器学习算法，以确定心脏病发作的概率。

与现有的方法相比，研究人员发现CoDE-ACS能排除两倍以上的患者的心脏病发作，准确率达到99.6%。该算法准确地预测了各亚组的心脏病发作，包括男性和女性、老年人、有肾脏（肾脏）损伤的人或那些在症状出现后及早到医院就诊的人。

研究人员说，他们的CoDE-ACS算法可以防止不太可能有心脏病发作的病人或心脏病发作后遭受心肌损伤或死亡的低风险病人不必要地入院。他们说这将使急诊治疗更有效率和效果，确定哪些病人可以安全回家，哪些需要留下来做进一步检查。

"对于因心脏病发作而出现急性胸痛的患者来说，早期诊断和治疗可以拯救生命，"该研究的通讯作者尼古拉斯-米尔斯说。"不幸的是，许多疾病会导致这些常见的症状，而且诊断并不总是直接的。利用数据和人工智能来支持临床决策，对改善病人的护理和我们繁忙的急诊科的效率有着巨大的潜力"。

CoDE-ACS目前正在苏格兰进行试验，以观察它是否能减少拥挤的急诊科的压力。