人工智能辅助聚焦心脏超声在预防心脏病学中的应用展望
摘要
整合聚焦心脏超声（FoCUS）与人工智能（AI）正在变革心血管健康管理。我们主张将这两项技术应用于早期检测和管理多种心脏疾病，超越传统动脉粥样硬化性心血管疾病检测范畴。本文提出利用AI辅助的FoCUS评估生物学年龄作为风险因素，并识别瓣膜性心脏病、隐匿性房颤、心衰和肺动脉高压的框架。
引言
心血管疾病（CVD）是全球发病率和死亡率的主要原因。现有预测显示，全球CVD年龄标准化患病率趋于稳定，反映出现有预防策略效果已进入平台期。预防心脏病学的努力主要集中在动脉粥样硬化性心血管疾病（ASCVD）领域。虽然降脂治疗、降压药、抗血小板药物和抗炎药物在心血管风险管理中具有明确地位，但关键问题仍待解决：哪些人群需要干预？干预的适当阈值是什么？应该遵循哪些目标值和参数？
目前的危险预测工具虽被广泛接受，但存在明显局限：在老年人群中高估风险，在年轻人群中低估风险，且对不同人口群体的风险预测敏感性不足。这促使我们通过整合风险修饰因素（包括人口统计学、临床、实验室和影像参数）来改进ASCVD预防策略。其中，聚焦心脏超声（FoCUS）与人工智能（AI）的结合显示出突破性进展。
聚焦心脏超声与AI辅助技术
FoCUS是指由治疗临床医生进行的快速获取、解读和即时临床整合的心脏超声影像检查。这种技术通过手持便携设备操作，使超声技术在医疗资源匮乏地区得到普及。其优势包括可重复性、无辐射暴露以及安全有效的患者评估能力。
人工智能的快速进步彻底改变了心脏成像领域。AI辅助的FoCUS在图像获取、解读分析和报告生成等环节实现突破：提供探头导航指导或实时视图分级，自动测量原始数据，利用大数据分析揭示专家难以识别的见解，最终自动生成正式报告。
AI辅助FoCUS在心血管健康中的应用
我们建议在筛查场景中常规使用FoCUS和AI辅助FoCUS评估五个关键领域：生物学心脏年龄作为ASCVD风险修饰因子、瓣膜性心脏病（VHD）、隐匿性房颤（AF）、早期心衰和肺动脉高压（PH）。
生物学心脏年龄作为ASCVD风险修饰因子
生物学心脏年龄评估通过机器学习模型实现。以色列的一项单中心研究显示，120,127例超声心动图扫描数据建立的模型显示，生物学年龄比实际年龄大5年的患者随访期间死亡风险增加34%（95% CI 1.22-1.46），而生物学年龄年轻5年的患者死亡风险降低13%。该模型在前瞻性队列中验证，使用Philips Lumify手持设备扫描的319例点护理检查显示生物学年龄预测准确（平均绝对误差6.6年，均方根误差8.3年，皮尔逊相关系数0.91）。
瓣膜性心脏病筛查
美国HONU Valve和英国OxVALVE研究显示，65岁以上老年人群中16%和6.4%存在临床显著瓣膜病变。Mayo诊所2017-2022年的研究显示FoCUS与经胸超声心动图（TTE）在检测中重度主动脉狭窄、关闭不全、二尖瓣和三尖瓣反流方面具有高度一致性（敏感性和特异性均超90%）。以色列Sheba医学中心前瞻性试验显示，非心脏病学培训医生使用AI增强设备筛查发现10%患者存在既往未诊断的重要瓣膜疾病。
隐匿性房颤筛查
全球房颤患病率持续上升，约10-30%病例未被诊断。机器学习算法基于完整超声心动图胸骨旁长轴视图预测阵发性房颤的AUC为0.75，敏感性69%，特异性68%，显著优于传统风险因素模型（AUC最大0.64）。特定亚组分析显示超声心动图（TTE）对房颤综合预测的贡献度超过心电图（ECG）。
早期心衰检测
全球心衰患病率持续上升，AI辅助FoCUS诊断收缩功能障碍的敏感性和特异性达85-90%。研究显示左心室射血分数（LVEF）降低与1年死亡率和再住院率增加相关。区域室壁运动异常（RWMA）在3415名无症状参与者中检出率2.4%，与独立于其他临床因素的心衰风险增加相关（HR 3.63）。
肺动脉高压检测
全球约1%人口受肺动脉高压影响，65岁以上人群达10%。AI辅助FoCUS通过识别右心室、三尖瓣和下腔静脉的标准视图，结合机器学习算法简化评估流程，减少对复杂技术和多普勒技术的依赖。
临床意义与未来展望
本文提出通过AI辅助FoCUS促进心血管健康的愿景，标志着三大范式转变：应用场所从急诊向预防医学转移，疾病谱从ASCVD向综合心脏护理扩展，技术主体从人工向AI辅助转型。需解决的挑战包括：1）整合多个诊断模型到单一框架；2）适配手持设备的技术局限性；3）建立临床验证体系；4）设计高效的工作流程。
最终，AI辅助FoCUS的整合有潜力简化心血管评估，通过早期检测改善患者预后。实现这一愿景需要研究者、临床医生和技术开发者的协作，解决在不同医疗环境中的实施、标准化和可及性问题。
【全文结束】
