一种突破性人工智能（AI）工具即将帮助预防心脏性猝死，通过准确识别患有危险心脏疾病的高风险患者，从而在悲剧发生前采取行动。这项新模型由约翰霍普金斯大学的研究人员开发，其精确度远超传统方法，因为它能够解读医生难以察觉的心脏影像中的隐藏细节。
更智能的心脏风险预测方式
这项新的人工智能模型名为MAARS，全称为“用于心室心律失常风险分层的多模态人工智能”。该工具采用深度学习系统，旨在预测患有肥厚型心肌病（HCM）人群发生心脏性猝死的风险。HCM是一种常见的遗传性心脏病，影响全球每200至500人中的一人，是年轻运动员和健康成年人突发心脏死亡的主要原因之一。
HCM常常被误解。许多患者可以过上正常健康的生活，但对一小部分人来说，发生致命性心律问题的风险显著更高。医生面临的挑战一直是如何准确识别真正处于高风险的患者。首席研究员兼心脏病专家纳塔利娅·特拉亚诺娃（Natalia Trayanova）表示，目前美国和欧洲使用的标准预测方法成功率大约为50%。“这几乎和掷骰子差不多，”她说。
相比之下，MAARS则彻底改变了这一局面。它从广泛的患者数据中学习，包括电子健康记录、医生笔记和影像结果，并从中发现预测个体心脏性猝死风险的模式。最关键的是，它使用了增强对比的心脏MRI扫描图像，这些图像此前在风险预测中很少被利用。
看到医生难以察觉的信息
HCM患者通常会在心脏内部形成瘢痕组织，这一过程称为纤维化。这种瘢痕会增加心脏性猝死的风险，但医生很难通过MRI图像准确评估。而AI模型在阅读这些图像时则不会遇到同样的困难。“人们过去没有在这些图像上应用深度学习，”特拉亚诺娃表示，“我们能够提取图像中隐藏的信息，而这些信息通常未被考虑。” MAARS专注于这些难以察觉的数据，突出显示预示最高风险的瘢痕模式，其识别能力远超人眼。
该模型采用基于Transformer的神经网络——一种现代人工智能技术，能够同时学习多种类型的患者数据，包括检测结果、病史和MRI发现，并从中找出关联以做出准确预测。
相关报道
- 研究发现规律运动与肝脏和大脑健康之间存在令人惊讶的联系
- 一种新的机器学习程序能准确预测谁会坚持自己的锻炼计划
- 研究发现剧烈运动可抑制健康人的食欲
研究结果令人印象深刻且不容忽视。研究人员在约翰霍普金斯大学和北卡罗来纳州桑格心脏与血管研究所的真实患者中测试了MAARS。该模型在所有测试患者中实现了89%的预测准确率，在40至60岁这一最高风险人群中的准确率更是高达93%。
更准确——也更公平
该工具在不同患者群体中表现一致。当前的临床指南在某些年龄或种族群体中可能效果不佳，而MAARS在无论患者年龄、性别或种族的情况下均表现良好，这意味着更多人能获得正确的治疗。
并列比较显示了明显的差异。MAARS在所有评估指标上都优于现有指南。在内部测试中，它达到了0.89的AUC评分——远高于目前的0.62。在外部测试中，MAARS得分0.81，显示出持续的高表现。
临床指南无法达到这种水平的准确性。更糟糕的是，它们常常推荐不必要的除颤器植入。这些植入设备具有侵入性、价格昂贵，并影响生活质量。MAARS有助于减少这些不必要的手术。
“目前我们有些患者在人生巅峰期就因未受到保护而死亡，”特拉亚诺娃表示。“而另一些人则一生佩戴除颤器却毫无益处。”这个模型有望同时解决这两个问题。
透明AI建立信任
医学中的AI常被称为“黑箱”，因为它无法解释其判断依据。MAARS通过展示患者为何属于高风险人群来改变这一状况，使医生能够理解并信任系统的预测。他们还可以利用这些信息来制定个性化的治疗方案。
“我们的研究表明，该AI模型显著增强了我们对高风险人群的预测能力，”该研究的合著者、心脏病专家乔纳森·克里平（Jonathan Crispin）表示。“这一模型具有改变临床护理的潜力，”他补充道。
MAARS还帮助科学家发现新的风险因素。它突出了心脏图像和病史中的细微模式，这些模式可能揭示医生通常忽略的疾病早期迹象。这些发现可能为未来的更好治疗提供线索。
未来展望
目前，该模型主要针对患有肥厚型心肌病的患者。但约翰霍普金斯团队对MAARS的未来有更宏伟的计划。他们希望将其扩展至其他心脏疾病，包括心脏结节病和致心律失常性右心室心肌病。这些疾病若管理不当也可能导致心脏性猝死，MAARS有望被调整用于预测这些患者的发病风险。
这项研究发表在《自然心血管研究》（Nature Cardiovascular Research）期刊上，标志着心脏风险预测领域的一项重大进展。随着进一步的测试，MAARS有望进入日常医疗实践。该模型的训练数据来自联邦资助的数据，体现了公共资金在医学研究中的重要价值。
像这样的工具未来可能拯救无数生命。研究人员希望推动该领域的发展，目标是开发更智能的工具和更具针对性的治疗方案，使医疗决策基于坚实的数据驱动洞察，而非依赖猜测。
【全文结束】
