新的AI软件可以通过x光快速准确地确定心律设备的制造商和型号，这可能会在设备出现故障时加快治疗速度。
全球主要作者James P. Howard、MB BChir和他们的同事在《JACC：临床电生理学》 (CCC)中写道，全球每年有超过100万人被植入起搏器、环路记录仪或除颤器，但当设备出现故障时，患者的病情会迅速恶化。当患者无法共享设备的型号或临床医生无法访问植入医院的记录时，心脏病专家通常会将x光图像与流程图进行比较，以尝试确定设备的制造商。只有这样，才能相应地调整设备的编程。
但是霍华德等等。研究发现，卷积神经网络(CNN)在识别1676台设备的图像方面比心脏病专家要准确得多，这些设备包括来自5家制造商的45种不同型号。
CNN从x光照片中选择制造商的准确率为99.6%，识别模型组的准确率为96.4%。5名心脏病专家(包括2名电生理专家)识别厂家的准确率在62.3%到88.9%之间，不可能用流程图算法识别模型组。电生理学家是最准确的，但第二好的医生在选择制造商时达到72%的准确性。
霍华德等等。他说，他们的模型可能在临床上有用，特别是在进一步研究、评估和验证其现实世界的准确性之后。目前，该系统可以作为一个教育工具在线使用，医生可以与之交互并向其上传图像。
Howard和合著者写道：“起搏器程序员便携，但体积庞大，只有制造商(即特定的程序员)才能与患者的设备进行通信。知道把它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查询，还可以提供紧急治疗，例如对出现室性心动过速的患者进行抗心动过速起搏。”
研究人员表示，只有一种情况下，美国有线电视新闻网无法准确识别设备制造商。在更多的情况下，没有选择特定的模型，但CNN为每张图像提供了前三个预测，99.6%的情况下，它在前三个选择中包含了正确的模型。
霍华德等等。他说，使用该算法只需要将设备的x光图像用软件上传到电脑上，就可以在几秒钟内回答预测结果。CNN只能识别45台经过训练的设备，但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网站。他们写道，它使用了25种新设备来训练神经网络的例子。
“我们的方法可能会加快心律失常设备患者的诊断和治疗，但本文也演示了如何在整个医疗护理系统中，越来越多地使用神经网络来处理大量的医疗数据，以及未来患者护理将如何越来越依赖计算机辅助决策。”霍华德和他的同事写道。
