这项故事讲述什么？
一项新的人工智能（AI）模型在预测肥厚型心肌病（HCM）患者突发心脏骤停风险方面，表现优于医生。该模型利用深度学习技术分析心电图（ECG），并结合患者个人资料，以在事件发生前识别高风险人群。该模型名为“多模态心室心律失常风险分层人工智能”（Multimodal AI for ventricular Arrhythmia Risk Stratification，简称MAARS），由约翰霍普金斯大学的Natalia Trayanova博士领导的团队开发。
MAARS模型的敏感度比当前临床指南高出一倍以上
MAARS模型通过分析包括超声心动图、放射科报告以及心脏对比增强磁共振成像（CMR）图像在内的多种医学数据，来预测心脏骤停风险。与目前仅能识别出一半未来会发生心脏骤停患者的临床指南相比，MAARS的敏感度接近其两倍。该模型在所有患者中的准确率达到89%，在40至60岁患者中的准确率更是达到93%。
人工智能能分析人类可能忽略的数据模式
CMR数据的纳入对MAARS模型至关重要，因为它能够检测出肥厚型心肌病所特有的心脏瘢痕。然而，由于难以将瘢痕组织的模式与临床结果建立联系，临床医生在有效利用这些图像方面一直面临挑战。像MAARS中使用的深度神经网络，特别擅长识别和分析人类可能忽略的这类数据模式。
肥厚型心肌病是年轻人突发心脏性猝死的主要原因
MAARS模型的训练数据来自约翰霍普金斯医院的肥厚型心肌病注册数据库中的553名患者，并在另一个独立的286名患者队列中进行了测试。肥厚型心肌病是最常见的遗传性心脏病之一，全球约每200至500人中就有一人受到影响。它是导致年轻人和运动员突发心脏性猝死的主要原因之一，然而，准确预测哪些人面临心脏骤停风险仍然是一个重大挑战。
模型预测有助于提升患者护理质量
MAARS模型在预测严重不良后果风险方面的准确性，有望显著改善患者护理。它将确保高风险患者接受适当的治疗以降低风险，同时避免对低风险患者进行不必要的干预。这一点在预防性植入除颤器的决策中尤为重要，因为这种手术本身也存在一定风险。
在临床应用前需进行严格的外部验证
MAARS模型还可用于为肥厚型心肌病患者量身定制治疗方案。它可以识别每位患者最关键的参数，从而更有效地管理病情。然而，专家提醒，在广泛应用于临床实践之前，MAARS需要在不同机构和医疗环境中进行严格的外部验证。
【全文结束】
