一种患有晚期心力衰竭的人在常规门诊就诊时可能看起来情况稳定。他们的生命体征可能不会引起任何人的警觉。他们的超声检查结果在快速浏览时可能显得平淡无奇。最能揭示问题信息的方式，只有通过一项要求极高的运动测试，让心脏接近其极限负荷，而在大多数医院，这项测试从未被开立。
这种诊断上的缺口会致命。
晚期心力衰竭影响约20万美国人，其一年生存率低于50%，比许多癌症还要糟糕。然而，每年接受心脏移植或机械泵等先进治疗的患者不足6000人。问题的一部分在于治疗的获取途径。但失败往往更早开始，在诊所里，当患者病情的严重程度根本没有被识别出来时。
来自威尔康奈尔医学、康奈尔科技、哥伦比亚大学瓦格洛斯内外科医学院和纽约长老会医院的一个研究团队，现在正在测试人工智能是否能够利用每家医院已有的工具来填补这一空白。
评估晚期心力衰竭严重程度的标准是心肺运动测试，该测试测量身体在剧烈运动期间能消耗多少氧气。这个数值，称为峰值摄氧量，为医生提供了一个可靠的窗口，了解心脏在压力下的实际工作强度，并有助于确定哪些人需要紧急干预。
问题在于后勤。这项测试需要专门的设备、训练有素的人员以及大多数社区医院不具备的操作规程。它主要属于大型学术医疗中心。那些从未到达这些中心，或者从未被转诊进行此项测试的患者，就会在没有准确严重程度评估的情况下被遗漏。
“这为使用已经嵌入常规护理的数据源，更有效地评估晚期心力衰竭患者开辟了一条有前景的途径，”该研究的资深作者、威尔康奈尔医学的 Fei Wang 博士说。
他们的研究结果于3月3日发表在《npj数字医学》期刊上。
心脏超声检查，即超声心动图，是常规检查。几乎每个心脏病诊所都会使用它们。然而，就其本身而言，标准的超声心动图尚未被证明是心力衰竭生存结果的强有力预测指标，部分原因是最重要的信息往往埋藏在多种图像类型中，而不是在任何单一测量值中可见。
该团队询问，机器学习模型是否能够做到人类审阅者通常做不到的事情，即检测跨多个同步数据流的模式，并将其与临床背景相结合。他们构建了一个系统，该系统共同分析几类超声数据：心脏腔室的动态视频图像、瓣膜运动模式以及测量血流的多普勒信号。这些成像输入与从电子健康记录中提取的信息相结合，包括患者年龄、体重指数和标准临床测量值。
该模型使用在纽约长老会医院/哥伦比亚大学欧文医学中心治疗的1000名患者的数据进行训练，然后在来自三家不同医院的127名患者组成的独立组上进行测试，这是一个关键的设计选择，迫使模型在它被构建的环境之外证明自己。
性能表现强劲。该系统在识别高风险患者（即峰值摄氧量低于临床显著阈值的患者）方面达到了约85%的准确率。在用于评估诊断工具在不同阈值下性能的技术指标上，该模型在训练医院得分为0.849，在外部验证组得分为0.870，后者略好，这很不寻常且令人鼓舞。
“这个项目中临床医生和人工智能研究人员之间的密切互动，最终推动了新人工智能技术的发展，否则这些技术不会被探索出来，”康奈尔科技的 Deborah Estrin 博士说。
结果伴随着作者直接描述的真实注意事项。
在60岁及以上的患者中，性能有所下降。研究人员将此部分归因于训练数据中老年患者的代表性不足，部分归因于该组更大的临床复杂性。与年龄相关的心脏结构和功能变化更难解释，模型似乎反映了这种困难。
准确性在不同种族群体和不同成像模式之间也有所不同。频谱多普勒数据是模型中包含的超声信号类型之一，对医院之间的差异特别敏感，这表明该数据在不同医院之间的收集或校准方式的变化会影响预测结果。
该研究的范围增加了另一个值得注意的限制。所涉及的四家医院都位于纽约地区，这可能无法反映美国或世界其他地方机构的成像设备、患者群体或临床实践。外部验证组虽然在地理上与训练数据不同，但规模相对较小，只有127名患者。
时间引入了一个更微妙的问题。超声扫描和运动测试并不总是在患者护理的同一时间点进行，这意味着模型有时预测的是在它分析的成像数据之前或之后几周或几个月测量的数值。
这些限制都不是这项研究所独有的，它们也不会削弱核心发现。该模型始终优于早期从非运动数据估计峰值摄氧量的方法，并且它在训练期间从未见过的医院中做到了这一点。
纽约长老会医院的 Nir Uriel 博士领导了这项研究的临床方面，他直接描述了这种潜力。“如果我们能用这种方法识别出许多原本不会被识别出来的晚期心力衰竭患者，那么这将改变我们的临床实践，并显著改善患者的预后和生活质量，”他说。
该研究团队更长期的愿景是整合：一个模型在医院的影像系统中静默运行，每当处理完一次超声心动图时就生成一个风险估计，并将结果与标准报告一同标记出来。看到预测值升高的临床医生可能会将患者转诊进行正式的心肺功能测试，从而加速目前需要数月或根本不会发生的先进治疗路径。
这项研究最终指向的是对心力衰竭诊断起点进行重新定位。当前的系统依赖于在专业中心对通常已经处于危机中的患者进行的专门测试。这种方法会将起点推前并降低，进入每家医院都在收集的常规扫描中，由一个经过训练的模型来读取，该模型能够发现人类审阅者凭自身能力无法发现的严重程度信号。
对于规模较小的医院、农村环境或没有运动测试基础设施的地方的患者来说，这种转变可能意味着接受先进治疗和从未被识别为需要治疗之间的区别。
这项工作仍然需要前瞻性临床试验来验证在实际部署中的性能，但这里建立的基础足够坚实，值得进行下一步。
研究结果可在《npj数字医学》期刊在线获取。
关于“新型AI模型可在为时已晚前检测出晚期心力衰竭”的原始故事发表在《新闻的积极面》。
【全文结束】