心脏性猝死（SCD）仍然是全球主要的死亡原因之一，尤其由心律失常事件引发。尽管植入式心脏复律除颤器（ICDs）可以为高风险个体提供保护，但如何准确识别最受益的患者，尤其是在患有肥厚型心肌病（HCM）的群体中，一直是临床上的长期挑战。
HCM是最常见的遗传性心脏病，影响约每200至500人中的一人，是年轻人群中SCD的主要原因之一。传统的风险分层方法，例如使用左心室射血分数（LVEF），在HCM患者中常常效果不佳，因为这些患者通常保留正常或超常的心脏功能，尽管他们仍面临较高风险。
在一项突破性研究中，研究人员推出了MAARS（用于心室心律失常风险分层的多模态人工智能），这是一种利用多种医疗数据预测心律失常所致猝死风险（SCDA）的人工智能模型。MAARS独特地整合了电子健康记录、影像报告以及对比增强型心脏磁共振成像（MRI），并通过基于Transformer的神经网络进行处理，其预测准确性显著优于现有的临床工具。
在两个来自不同医疗系统的患者队列中测试后，MAARS展现出出色的通用性、跨人群的公平性，以及决策过程的透明度。其关键优势在于使用原始MRI图像数据，并通过三维视觉Transformer（3D-ViT）进行分析，使模型能够检测到传统评估方式可能忽略的心脏结构细微变化。
除了个体层面的风险预测外，MAARS还提供了对人群层面趋势的可解释洞察力，不仅再次确认了已知的风险因素，还揭示了一些新的关联——例如非梗阻性HCM患者具有更高的SCDA风险。
尽管仍存在一些局限性，包括相对较小的患者样本量和较高的数据需求，MAARS标志着精准心脏病学领域的一大进步。随着进一步验证，这一AI驱动的工具有望彻底改变临床医生对HCM患者SCD风险的评估方式，从而实现更加个性化、精确且及时的干预措施。
参考文献
Lai C 等. 多模态人工智能预测肥厚型心肌病心律失常性死亡. Nat Cardiovasc Res. 2025;DOI:10.1038/s44161-025-00679-1
【全文结束】
