心力衰竭以心肌衰弱或受损为特征，会导致液体逐渐积聚在患者肺部、腿部、脚部及其他部位。这是一种慢性且无法治愈的疾病，常引发心律失常或心搏骤停。数个世纪以来，放血疗法和水蛭治疗是主要手段，在欧洲由理发师外科医生实施，而当时医生很少对患者进行手术。
到了21世纪，心力衰竭的管理已经不再那么中世纪化：如今患者通过健康生活方式改变、药物处方以及有时使用起搏器相结合的方式进行治疗。然而，心力衰竭仍是导致发病率和死亡率的主要原因之一，给全球医疗系统带来沉重负担。
“大约一半确诊心力衰竭的患者会在确诊后五年内死亡，”麻省理工学院博士生Teya Bergamaschi说，她在Nina T. and Robert H. Rubin教授Collin Stultz的实验室工作，也是介绍该深度学习预测模型的新论文的共同第一作者。“了解患者住院后的情况对于分配有限资源非常重要。”
一种新的预后人工智能工具
这篇发表在《eClinicalMedicine》上的论文由麻省理工学院、麻省总医院布里格姆和哈佛医学院的研究人员共同完成，分享了开发和测试PULSE-HF的结果，该名称大致代表“从心力衰竭患者心电图中预测左心室收缩功能变化”。该项目在Stultz的实验室进行，该实验室隶属于麻省理工学院阿卜杜勒·拉蒂夫·贾米尔健康机器学习诊所。
该深度学习模型在来自麻省总医院、布里格姆妇女医院和MIMIC-IV（一个公开数据集）的三个不同患者队列中进行了开发和回顾性测试，能够准确预测左心室射血分数的变化，即心脏左心室每次搏动泵出的血液百分比。健康人类心脏每次搏动从左心室泵出约50%至70%的血液——低于此值被视为潜在问题的征兆。“该模型接收一份心电图，并输出预测结果，判断患者在未来一年内射血分数是否会降至40%以下，”麻省理工学院博士生、PULSE-HF论文另一位共同第一作者Tiffany Yau说。“这是最严重的心力衰竭亚组。”
PULSE-HF如何改变护理
如果PULSE-HF预测患者射血分数可能在一年内恶化，临床医生就可以优先安排该患者进行随访。相应地，低风险患者可以减少就诊次数以及进行12导联心电图时需在身上粘附10个电极的时间。该模型还可以部署在资源有限的临床环境中，包括农村地区的医生办公室，这些地方通常没有日常进行超声检查的心脏超声技师。
“[PULSE-HF]与其他心力衰竭心电图方法的最大区别在于，它不是检测，而是预测。”Yau说。论文指出，迄今为止，尚无其他方法能够预测心力衰竭患者未来左心室射血分数的下降。
在多个患者队列中表现出色
在测试和验证过程中，研究人员使用了一种称为“接受者操作特征曲线下面积”的指标来衡量PULSE-HF的性能。AUROC通常用于衡量模型在0到1的尺度上区分不同类别的能力，0.5表示随机，1表示完美。PULSE-HF在三个患者队列中均实现了0.87至0.91的AUROC。
值得注意的是，研究人员还构建了一个用于单导联心电图的PULSE-HF版本，这意味着只需要在身体上放置一个电极。虽然12导联心电图通常被认为更全面、更准确，但单导联版本的PULSE-HF性能与12导联版本一样强大。
现实世界数据的混乱现实
尽管PULSE-HF背后的理念简洁优雅，但与大多数临床人工智能研究一样，其实现过程非常费力。“[完成这个项目]花了好几年，”Bergamaschi回忆道。“它经历了很多次迭代。”团队面临的最大挑战之一是收集、处理和清理心电图和超声心动图数据集。虽然该模型旨在预测患者的射血分数，但训练数据的标签并不总是现成的。就像学生从带答案的教科书中学习一样，标签对于帮助机器学习模型正确识别数据中的模式至关重要。
通常，以TXT文件形式存在的干净、线性的文本最适合训练模型。但超声心动图文件通常以PDF形式出现，当PDF转换为TXT文件时，文本（由于换行和格式而被打断）变得难以让模型读取。真实场景的不可预测性，比如患者躁动或电极松动，也使数据变得混乱。“有很多信号伪影需要清理，”Bergamaschi说。“这有点像无休止的兔子洞。”
平衡复杂性与实用性
虽然Bergamaschi和Yau承认更复杂的方法可能有助于过滤数据以获得更好的信号，但这些方法的实用性有限。“你在什么时候停止？”Yau问道。“你必须考虑使用场景——让这个模型在稍微混乱的数据上工作是否最容易？因为数据很可能就是这样。”研究人员预计，PULSE-HF的下一步将是在真实患者中进行前瞻性研究，这些患者未来的射血分数未知。
尽管将PULSE-HF这样的临床人工智能工具推向终点线存在固有挑战，包括可能延长博士学业一年的风险，但学生们觉得多年的辛勤工作都是值得的。“我认为事情之所以有回报，部分原因在于它们充满挑战，”Bergamaschi说。“一位朋友对我说，‘如果你认为毕业后会找到自己的使命，如果使命真的在呼唤你，那么在毕业额外的一年里它也会在那里。’……我们作为[机器学习和健康领域]研究人员的衡量标准与其他机器学习领域的研究人员不同。这个领域的每个人都理解这里存在的独特挑战。”
“世界上有太多的痛苦，”Yau说，她在一次健康事件后意识到机器学习在医疗保健中的重要性，从而加入了Stultz的实验室。“任何试图减轻痛苦的事情，我都认为是对我时间的宝贵利用。”
Publication details: Teya Bergamaschi et al, Forecasting left ventricular systolic dysfunction in heart failure with artificial intelligence, eClinicalMedicine (2026). DOI: 10.1016/j.eclinm.2026.103783
Journal information: eClinicalMedicine
Key medical concepts: Heart Failure, Left Ventricular Ejection Fraction, Electrocardiography, Echocardiography
Clinical categories: Cardiology
Provided by: Massachusetts Institute of Technology
This story is republished courtesy of MIT News, a popular site that covers news about MIT research, innovation and teaching.
【全文结束】