借助人工智能（AI），一项在许多医生办公室中常见的廉价检测方法可能很快将用于筛查隐藏的心脏疾病。
结构性心脏病，包括瓣膜疾病、先天性心脏病以及其他影响心脏功能的问题，影响着全球数百万人。然而，由于缺乏常规且经济的筛查手段，许多结构性心脏问题在功能严重受损之前无法被发现。
“我们有结肠镜检查，也有乳腺X光检查，但心脏疾病却没有类似的常规筛查方式。”哥伦比亚大学瓦格洛斯内外科医生学院医学与生物医学信息学助理教授、纽约长老会医院人工智能医学主任皮埃尔·埃利亚斯（Pierre Elias）表示。
埃利亚斯与哥伦比亚大学及纽约长老会医院的研究人员开发了一种基于人工智能的筛查工具——EchoNext，该工具通过分析普通的心电图（ECG）数据，识别出哪些患者需要接受超声心动图检查。超声心动图是一种无创检查，可用于诊断结构性心脏问题。
在《自然》（Nature）杂志上发表的一项研究中，EchoNext在通过心电图识别结构性心脏病方面，准确率超过了心脏病专家，甚至超过了那些借助人工智能解读数据的心脏病专家。
“EchoNext基本上是利用更便宜的测试来判断谁需要更昂贵的超声检查。”领导该研究的埃利亚斯表示，“它能够检测出心脏病专家从心电图上无法发现的疾病。我们认为，心电图加上人工智能有望开创一种全新的筛查模式。”
心血管筛查的下一步（EchoNext）
心电图是医疗系统中最常用的心脏检测方法。该检测通过测量心脏的电活动，通常用于检测异常心律、冠状动脉阻塞以及既往心肌梗死等情况。心电图价格低廉、无创，常用于治疗与结构性心脏病无关疾病的患者。
尽管心电图有其用途，但也存在局限性。“我们在医学院都学过，心电图无法检测结构性心脏病。”埃利亚斯说。
超声心动图利用超声波获取心脏图像，可以明确诊断瓣膜疾病、心肌病、肺动脉高压以及其他需要药物或手术治疗的结构性心脏问题。
EchoNext的设计目的是分析普通的心电图数据，以确定何时需要进行心脏超声检查。该深度学习模型是在来自23万名患者的超过120万组心电图-超声心动图数据对上进行训练的。
在包括多个纽约长老会医院在内的四家医院系统的验证研究中，该筛查工具在识别结构性心脏问题方面表现出高准确性，包括因心肌病导致的心力衰竭、瓣膜疾病、肺动脉高压以及心脏严重肥厚等情况。
在与13名心脏病专家对3,200份心电图的直接对比中，EchoNext准确识别了77%的结构性心脏问题，而心脏病专家通过心电图数据诊断的准确率为64%。
发现未被诊断的结构性心脏问题
为了测试该工具在现实世界中的表现，研究团队在近85,000名接受心电图检查但此前未进行过超声心动图检查的患者中运行了EchoNext。
该人工智能工具识别出超过7,500人（占9%）存在高风险的未被诊断的结构性心脏病。随后，研究人员在一年内追踪了这些患者中有多少人被确诊为结构性心脏病（患者的医生并不知晓EchoNext的部署，因此其诊断不受其预测影响）。
在被EchoNext标记为高风险的个体中，55%接受了首次超声心动图检查。其中，近四分之三被确诊为结构性心脏病——这一比例是未使用AI辅助情况下首次接受超声心动图检查阳性率的两倍。
如果所有被EchoNext标记为高风险的患者都接受了超声心动图检查，那么今年全球预计将进行的4亿次心电图检查中，可能会额外发现约2,000例潜在严重结构性心脏问题。
“你无法治疗一个你不知道的病人。”埃利亚斯表示，“通过我们的技术，我们或许可以将今年全球预计进行的4亿次心电图检查转化为4亿次筛查结构性心脏病的机会，并在最合适的时机提供可能挽救生命的治疗。”
埃利亚斯及其团队发布了一个去标识化的数据集，以帮助其他医疗机构改进心脏病筛查。研究人员还启动了一项临床试验，在八个急诊科测试EchoNext的效果。
更多信息：Pierre Elias，《利用人工智能从心电图中检测结构性心脏病》，《自然》（2025年）。DOI：10.1038/s41586-025-09227-0。www.nature.com/articles/s41586-025-09227-0
期刊信息：Nature
提供单位：Columbia University Irving Medical Center
【全文结束】
