心房颤动（AFib）是一种不规则且通常快速的心律，也称为心律失常。AFib 是最常见的心律失常类型，使患者中风风险增加。它在全球范围内具有重大影响——全球近 4000 万人受其影响，美国则超过 600 万人。
当前的治疗方法包括药物、危险因素调整或消融等侵入性手术。但这些治疗选择仅限于控制疾病，只能适度改善患者预后，且有些患者比其他患者受益更多。
幸运的是，一组研究人员希望改善 AFib 患者的生活。
来自加州大学戴维斯分校、加州大学戴维斯分校健康中心和亚利桑那大学的医生科学家、心脏病专家、计算机科学家和数据科学家组成的跨学科多机构团队，希望通过一项新的、广泛的技术辅助研究来促进患者健康。得益于美国国立卫生研究院（NIH）提供的 400 万美元、为期 5 年的拨款，该团队将使用人工智能（AI）更好地预测哪些人有房颤进展的风险，以及哪些人将从特定治疗中受益最大。
“非常需要一个预测模型来确定哪些患者将从消融手术中受益最大，并最大限度地利用该疗法。”——Uma N. Srivatsa
治疗 AFib 的消融手术
心脏病专家治疗 AFib 的最佳工具之一是消融手术。消融使用热、冷或电能在心脏组织中产生微小疤痕，针对导致心律失常的心脏区域。这些区域的疤痕有助于阻止心脏产生不规则或异常的节律。
许多关于 AFib 管理的研究表明，消融在减轻病情负担和控制症状方面比药物更有效。
然而，并非所有患者都能从消融中受益。诸如年龄、疾病过程中的消融时机以及左心房大小等因素都会影响手术的成功。除此之外，对于哪些人会因消融而改善，了解甚少。
“经过二十年使用不同消融方法的研究，我们仅略微改善了患者手术的临床结果，”加州大学戴维斯分校健康中心心律失常服务主任、该拨款的主要研究者 Uma N. Srivatsa 说，“非常需要一个预测模型来确定哪些患者将从消融手术中受益最大，并最大限度地利用该疗法。”
寻找生物标志物以预测未来的心律失常
虽然一些研究已经调查了导致 AFib 的细胞和分子机制，但对于导致这种情况的潜在分子机制仍知之甚少。
代谢组学、蛋白质组学和其他“组学”技术直到最近才应用于研究，并且尚未得到系统的调查。
“系统生物学方法虽然仍处于起步阶段，但有望为影响 AFib 风险的途径提供新的见解，”主要研究者 Nipavan Chiamvimonvat 说，他是亚利桑那大学基础医学科学系教授兼系主任，也是加州大学戴维斯分校的名誉教授，“作为这项研究的一部分，我们的目标是通过观察术前采集的血液样本中的分子观察结果，确定消融后 AFib 复发风险增加的患者。”
使用人工智能制作 AFib 风险模型
三位主要研究人员将承担研究的不同部分。
Srivatsa 将从 300 名计划进行消融手术的 AFib 患者中收集数据。收集内容将包括临床数据，如年龄和接受的治疗量。还将记录心内电图，即来自左心房的电信号，创建一种心脏的 3D 地图。
与此同时，Chiamvimonvata 的实验室将评估患者的血液样本。
Srivatsa 和 Chiamvimonvat 从相同患者收集的多种类型的信息（称为多模态数据）将被提供给加州大学戴维斯分校计算机科学教授、该校 DataLab 转化数据科学主任 Vladimir Filkov。Filkov 的研究团队将使用生成式 AI 和深度神经网络开发新的多模态 AI 模型。数据还将在 DataLab 中定制构建的虚拟现实环境中重建，这为这项研究带来了独特的视角。
使用联合分析多种类型数据的多模态方法来产生单个结果，使研究人员能够构建比更典型的单一数据模态分析更好的患者结果模型。
Filkov 强调，他不仅仅是获取数据并进行处理。相反，他和他的医疗合作伙伴一直在不断讨论他们需要什么数据、如何整合以及如何在本研究中使用。
“为了从 AI 中受益，这个项目是医生科学家和机器学习与 AI 专家之间的对话。”——Vladimir Filkov
这是首批依靠多模态改善患者结果的 NIH 资助研究之一。虽然多模态数据多年来一直被吹捧为产生更好模型的潜在好方法，但在很大程度上是理论上的，特别是在医疗保健领域。
“在实践中使用多模态而不仅仅是理论上的使用一直是一个挑战，”Filkov 承认，“这是我们克服的一步，使这项研究得以进行。”
Filkov 补充说，这个项目的独特之处之一是机器学习线程从一开始就交织在研究的结构中。
“为了从 AI 中受益，这个项目是医生科学家和机器学习/AI 专家之间的对话，”他说，“我们相互依赖并创建反馈；所有部分都是集成的。更重要的是，只有通过多个团队共同努力解决共同问题，这项研究才有可能。”
Srivatsa 指出，医生科学家和数据科学家“说不同的语言”，但以有趣的方式合作和交流想法。“这就像在一个管弦乐队中表演，我们同步但又独特，”她说。
