在最近发表在《自然》杂志上的一项研究中，研究人员调查了一种人工智能（AI）心电图（ECG）模型是否能在各种医院和护理环境中可靠地检测出多种结构性心脏病（SHD），并超越标准的医生审查。该模型名为EchoNext，被开发为一种多任务分类器，以解决不同SHD组件标签之间的共线性问题。
背景
每一分钟，美国都有一名患者因可能掩盖潜在结构性心脏病（SHD）症状而入院。治疗结构性心脏病每年已消耗国家超过1000亿美元。然而，估计有6.4%的老年人患有临床上显著但未被诊断的瓣膜性心脏病（VHD），加上已有4.9%的患者被诊断，总患病率超过11%。
早期的超声心动图能够挽救生命，但超声实验室、训练有素的解读人员和患者旅行成本仍然是障碍，使忙碌的临床医生难以判断谁需要扫描。
大规模的数字心电图档案和现代AI提供了一种低成本替代方案：如果一张十秒钟的心电图能够可靠地揭示隐性疾病，稀缺的影像资源可以被引导到最需要的人身上。
还需要进一步研究以确定算法指导的筛查是否能提高生存率和公平性。此外，论文还讨论了此类模型的潜在部署策略，包括“把关人”和“安全网”应用，每种都有其独特的益处和权衡。
关于研究
研究人员从2008年至2022年间在纽约长老会（NYP）医院治疗的230,318名成年人中收集了1,245,273对心电图-超声心动图记录，为训练、验证和测试保留了患者级分割。当任何指南定义的异常存在左室射血分数（LVEF）≤ 45%、左室壁厚度≥ 1.3厘米、中度或更严重的右心室功能障碍、肺动脉收缩压（PASP）≥ 45毫米汞柱，或三尖瓣反流喷射速度≥ 3.2米/秒作为肺动脉高压的另一种定义，中度或更严重的任何瓣膜反流/狭窄，或中度/大量心包积液时，标记为结构性心脏病（SHD）。
作者指出，这些阈值有些武断，因为不同的研究和指南可能使用不同的截断值。
一个名为EchoNext的卷积神经网络摄入了原始的12导联波形，以及七个常规心电图参数和年龄/性别数据。性能首先在一个保留的NYP测试集上测量，然后在来自Cedars-Sinai、蒙特利尔心脏研究所和加利福尼亚大学旧金山分校的外部队列上测量。
在年龄、性别、种族、民族和临床背景之间评估了泛化性。在84,875名没有先前超声心动图检查的患者中，EchoNext进行了无声的“影子”部署，存储了评分但没有影响护理。
最后，一项单中心试点研究“通过深度学习检测心电图波形阵列中的结构性心脏病”（DISCOVERY）前瞻性地邀请了没有近期影像的成年人根据先前模型的风险评分进行超声心动图检查；EchoNext进行了事后分析。
研究结果
EchoNext，一个AI驱动的心电图模型，在回顾性分析中表现出色。在八个医院的NYP测试集中，它检测综合SHD的接收者操作特征曲线下面积（AUROC）为85.2%，精确度-召回曲线（AUPRC）为78.5%。准确度在学术和社区校区之间保持一致，当训练和测试地点交换时也没有下降，显示出泛化性。
在Cedars-Sinai医疗中心、蒙特利尔心脏研究所（MHI）和加利福尼亚大学旧金山分校的外部验证中，AUROC值在78到80%之间，尽管疾病流行率更高。
疾病特异性性能：LVEF ≤ 45%达到AUROC 90.4%，而PASP ≥ 45毫米汞柱达到82.7%。作者强调，组件疾病的AUPRC值高度依赖于基础疾病流行率，不应在条件或用例之间直接比较。
一项150例心电图阅读者研究比较了EchoNext与十三名心脏病专家。在广泛年龄、性别、波形和心电图间隔的审查中，医生正确识别了64%的SHD病例。AI单独实现了77%的准确率，而当临床医生看到算法风险评分时，他们的准确率小幅提高到69%，突显了模型捕捉到了专家眼睛无法看到的预后模式。需要注意的是，此次评估中的心脏病专家只能访问匿名化的心电图和常规参数，没有任何临床背景，这在标准临床护理中并不典型。
为了估计在大规模上的临床机会，研究团队在2023年记录的124,027份心电图上无声地运行了EchoNext，这些心电图来自84,875名从未接受过超声心动图检查的成年人。该模型将9%的轨迹标记为高风险。然而，常规护理使这些个体中有45%的人没有后续影像，根据论文中提供的建模流行率和敏感性场景，估计如果警报实时生效，可能会拦截1,998例隐性SHD病例。
在最终接受超声心动图检查的15,094名患者中，EchoNext保持了准确性（AUROC 83%；AUPRC 81%）并提供了74%的阳性预测值，加强了其在当代工作流程中的可靠性。该论文还提供了在不同流行率场景和敏感性阈值下的建模性能估计，强调了人口范围筛查的实际意义。
前瞻性证据来自DISCOVERY试点，该试点招募了100名未接受过影像检查的成年人。事后EchoNext评分显示了明显的层次，高风险参与者中有73%存在先前未被识别的SHD，中等风险参与者中有28%，低风险参与者中有6%；中度至重度左侧瓣膜性心脏病也遵循了类似的梯度。
这些结果说明了该模型能够将稀缺的超声心动图资源优先分配给最有可能受益的人群，同时避免低风险人群不必要的测试。原始试验使用了前身模型（ValveNet）来分层风险并招募参与者，而EchoNext模型则对这些参与者进行了回顾性分析，以进一步分析。
结论
总结来说，EchoNext证明了增强AI的心电图可以检测与LVEF降低、PASP升高和显著瓣膜性心脏病相关的结构性心脏病（SHD），其AUROC和AUPRC指标优于心脏病专家。通过标记高风险患者进行及时的超声心动图检查，该算法有望缩短诊断延迟和结构性心脏病的数十亿美元负担，同时在不同地点和人口统计学中保持公平性。然而，作者警告称，基于AI的筛查也可能带来潜在风险，包括假阳性引起的患者焦虑或临床采用中的偏见，并强调需要进一步研究这些方面。
代码和数据的公开发布鼓励了独立验证；然而，大型实用试验必须验证AI指导的心电图筛查是否真正改善生存率、生活质量以及医疗保健价值。值得注意的是，作者发布了一个大型匿名数据集和一个基准AI模型（Columbia mini-model），以支持进一步研究并使未来算法的透明比较成为可能。
【全文结束】