一种人工智能（AI）模型在预测肥厚型心肌病患者突发心脏骤停风险方面表现远超使用最新临床指南的医生。
这个名为“多模态人工智能心律失常风险分层”（Multimodal AI for ventricular Arrhythmia Risk Stratification, MAARS）的模型于7月2日在《自然心血管研究》杂志在线发表的一篇论文中进行了描述。它通过分析各种医疗数据和记录来预测患者的风险，这些记录包括超声心动图、放射学报告以及患者心脏增强对比磁共振成像（CMR）图像中的所有信息。
约翰霍普金斯大学巴尔的摩分校心血管诊断与治疗创新联盟主任Natalia Trayanova博士领导了该模型的开发工作。她表示，尽管肥厚型心肌病是最常见的遗传性心脏病之一，影响全球每200至500人中的1人，并且是年轻人和运动员猝死的主要原因之一，但个体发生心脏骤停的风险仍然难以预测。
美国心脏协会、美国心脏病学会以及欧洲心脏病学会当前的临床指南仅能在大约一半的情况下识别出那些会经历心脏骤停的患者。
“这些临床指南极其不准确，几乎和掷骰子差不多，”担任约翰霍普金斯大学生物医学工程系Murray B. Sachs教授的Trayanova告诉Medscape医学新闻。
相比这些指南，MAARS的敏感性几乎是其两倍，在所有患者中的准确率达到89%，而在40至60岁人群（肥厚型心肌病导致猝死风险最高的群体）中准确率高达93%。
构建模型
MAARS基于来自巴尔的摩约翰霍普金斯医院肥厚型心肌病登记处的553名患者的数据进行训练。研究人员随后在一个独立的外部队列上测试了该算法，该队列由北卡罗来纳州夏洛特市桑格心脏与血管研究所肥厚型心肌病登记处的286名患者组成。
该模型利用这些患者的所有可用数据，包括电子健康记录、心电图读数、放射科医生和影像技术人员的报告，以及CMR的原始数据。
“所有这些不同的渠道都被输入到这个多模态AI预测器中，它将它们融合在一起并得出这些特定患者的风险，”Trayanova说。
她指出，包含CMR数据特别重要，因为这种成像测试可以识别表征肥厚型心肌病的心脏瘢痕区域。然而，由于将瘢痕组织相对随机的模式与临床结果联系起来一直是一个挑战，因此临床医生尚未能充分利用这些图像。
但这正是深度神经网络特别擅长处理的任务。“它们能够识别人类遗漏的数据模式，然后对其进行分析并将它们与其他输入结合形成单一预测，”Trayanova说。
临床益处
Trayanova表示，对严重不良后果风险的更好预测将有助于改善护理，确保人们获得适当的治疗以降低风险，并避免不必要的治疗。保护免受突发心脏骤停的最佳方法是植入式除颤器——但除非真正需要，否则该手术可能带来感染、设备故障和不适当电击等潜在风险。
波士顿麻省总医院心血管研究中心的Antonis Armoundas博士表示：“更准确的风险预测意味着更少的患者可能接受不必要的ICD植入，这伴随着感染、设备故障和不当电击等风险。”
Trayanova补充道，该模型还可以帮助实现肥厚型心肌病患者的个性化治疗。“它能够深入每位患者，预测哪些参数对于管理病情最重要，”她说。
加拿大魁北克省蒙特利尔蒙特利尔心脏研究所的心脏病专家Robert Avram博士表示，这些结果令人鼓舞。“我特别感兴趣的是，这样的工具如何简化风险分层并最终改善患者的结果，”他说。
但它还没有准备好在临床上广泛使用。“然而，在常规护理中采用之前，我们需要在不同机构间进行严格的外部验证，统一变量定义，并为每种模式制定统一的提取流程，同时还需要明确的监管和工作流整合策略，”Avram说。
Armoundas表示，他希望看到该模型在更大样本量、更广泛的医疗环境、地理区域和人口统计数据上进行测试，并进行前瞻性随机研究及与其他AI预测模型的比较。
“在更大人群中进行进一步验证并在更长随访期内进行评估是其全面临床整合所必需的，”他说。
(全文结束)
