主要发现
- MAARS人工智能模型在肥厚型心肌病（HCM）的心律失常风险预警中表现优异
- 该模型整合了电子病历、延迟钆增强心脏核磁共振扫描和心脏影像报告等多源数据
- 基于内部和外部验证队列的验证结果表明，该技术能更准确地预测心律失常风险
人工神经网络模型（MAARS）在预测心律失常性猝死（SCDA）方面展现出显著优势。内部验证显示曲线下面积（AUC）达0.89（95%CI 0.79-0.94），外部验证队列AUC为0.81（95%CI 0.69-0.93）。该模型由约翰霍普金斯大学Natalia Trayanova教授团队开发，相关成果发表于《自然心血管研究》。
与现行临床工具（包括美国/欧洲指南风险标准及HCM Risk-SCD计算器）相比，MAARS在外部验证中AUC提升了0.22-0.30。研究者指出："基于其经验证的卓越性能、普适性、公平性和可解释性，MAARS有望显著提升SCDA风险分层和患者诊疗水平。"
该模型支持个性化医疗决策，既能有效预防SCDA事件，又可减少不必要的植入式心脏复律除颤器（ICD）植入。后者可能导致感染、设备故障和不当电击等并发症。
研究团队同时指出局限性：模型基于单中心小样本队列开发，可能存在机构或转诊偏倚；验证队列中恶性心律失常事件绝对数量较少；缺乏时间动态预测信息。
值得注意的是，MAARS相较于传统工具需要更多数据输入，这可能成为其临床推广的实际障碍。肥厚型心肌病是最常见的遗传性心脏病，临床表现和病程异质性强。该病可能导致心力衰竭、房颤、室性心动过速、心室颤动和猝死，近年对患者运动建议已从完全禁止转向基于风险评估的个体化方案。
MAARS突破现有风险计算器的性能瓶颈，其优势源于对原始延迟钆增强核磁图像的深度解析。Trayanova指出："这是首次将深度学习应用于此类影像分析，我们成功提取了传统方法未能识别的隐藏信息。"
模型开发基于约翰霍普金斯医院2005-2015年间553例HCM患者的临床数据，外部验证则采用北卡罗来纳州桑格心脏研究所2015-2023年286例患者的队列数据。目前该系统正在拓展其他心脏疾病的应用场景。
研究获得美国国立卫生研究院和Leducq基金会资助，研究团队声明无利益冲突。
【全文结束】
