一种新的人工智能（AI）模型通过超声心动图成功检测出心脏淀粉样变性，其准确性高于其他淀粉样变性风险评分。这项研究成果发表在《欧洲心脏杂志》上。
梅奥诊所心血管疾病临床研究Betty Knight Scripps教授、同时也是心血管医学部顾问、梅奥诊所官员和理事会候任主席及《美国超声心动图学会杂志》主编的Patricia A. Pellikka博士向Healio表示：“心脏淀粉样变性尚未被充分认识，可能占射血分数保留型心力衰竭（HFpEF）病例的15%。而HFpEF约占心力衰竭病例的一半，因此这一问题相当严重。我们现在拥有了针对心脏淀粉样变性的有效治疗方法，但这些方法如果能尽早启动效果最佳。因此，这种新的AI检测方法极其重要。”
此前，在诊断AI领域已有一些进展。Pellikka曾参与EAGLE试验，评估了一种由AI驱动的临床决策支持工具，用于早期诊断低左心室射血分数（LVEF），随后该工具获得了FDA 510(k)许可，用于即时护理中识别低LVEF。此外，Pellikka还协助开发了一种3D卷积神经网络（EchoGo Heart Failure, Ultromics），通过单次标准超声心动图检测HFpEF。其积极结果发表在《JACC: Advances》上，正如Healio此前报道，该AI模型于2022年12月获得FDA批准。
“这是我们之前与Ultromics合作开发HFpEF检测模型经验的延续，”Pellikka说，“该模型同样使用了心尖四腔视图，这是任何类型心脏超声检查中常规获取的标准视图。通过该视频片段，它能够识别出心脏淀粉样变性的存在。”
在这项研究中，AI被训练用以区分心脏淀粉样变性与其他表型模仿病症，使用了一个包含2612个独特的经胸超声心动图视频片段的多中心数据集。该AI模型在全球18个地点进行了外部验证。
此外，研究人员通过亚组分析验证了模型的准确性，包括对接受锝焦磷酸盐闪烁扫描的患者、年龄、性别和壁厚度匹配的个体以及转甲状腺素蛋白淀粉样变性和壁厚度评分的比较。所有纳入研究的患者均具有相似的基线特征和合并症。
“这个算法可以从超声实验室访问到。我们与Ultromics合作开发时就是如此设计的。他们拥有一个基于云的平台，可以连接到超声实验室及其图像存档和通信系统。如果你认为可能存在淀粉样变性或有任何相关特征，你可以将图像发送到Ultromics的安全云平台，他们会运行算法并返回结果，”Pellikka告诉Healio，“结果会显示‘不确定’、‘提示存在’或‘不提示存在’淀粉样变性。”
总体而言，13%的AI模型预测结果为“不确定”。排除不确定结果后，该模型区分心脏淀粉样变性的能力较高，接收者操作特征曲线下面积（AUROC）为0.93，敏感性为85%，特异性为93%。
研究人员报告称，无论心脏淀粉样变性亚型如何，该模型均表现出较高的诊断区分能力，其中轻链淀粉样变性的敏感性为84%，野生型转甲状腺素蛋白淀粉样变性为85%，遗传性转甲状腺素蛋白淀粉样变性为86%。
在对接受锝焦磷酸盐闪烁扫描的患者（AUROC为0.86；敏感性为77%；特异性为86%）和年龄、性别和壁厚度匹配的个体（AUROC为0.92；敏感性为84%；特异性为91%）进行亚组分析时，该AI模型的准确性得以维持。
此外，与转甲状腺素蛋白心脏淀粉样变性和壁厚度评分相比，该AI模型保持了更高的AUROC（分别为0.93、0.73和0.8）。
“这种AI可以在我们的超声实验室中广泛应用于更早、更快地检测淀粉样心肌病，”Pellikka表示，“我们现在做的超声检查变得越来越复杂，而我们接诊的患者病情也越来越重。尽管有时可以通过超声心动图特征识别淀粉样变性，但有时由于情况复杂，可能会被遗漏。这应该有助于提高诊断准确性。”
Pellikka表示，该算法的应用范围可以扩展到即时护理环境中，与手持式超声心动图设备配合使用，正如之前在HFpEF检测算法中所展示的那样。
(全文结束)