由Weill Cornell Medicine、Cornell Tech、Cornell Ann S. Bowers College of Computing and Information Science、Columbia University Vagelos College of Physicians and Surgeons 以及 NewYork-Presbyterian 的研究人员领导的一项新研究发现，将人工智能技术应用于心脏超声数据，可能使识别晚期心力衰竭患者变得更加容易。这项研究为数以千计因诊断困难而被忽视的患者带来了获得更好护理的前景。
目前，晚期心力衰竭通过心肺运动测试（CPET）检测，该测试需要专业设备和训练有素的人员，通常只有大型医疗中心才能提供。部分由于这一诊断瓶颈，美国估计20万晚期心力衰竭患者中，每年只有少数人得到适当治疗。在这项于3月3日发表在《npj数字医学》上的新研究中，研究人员测试了一种新型AI驱动方法，可能消除这一瓶颈。该新方法利用更容易获取的患者心脏超声图像和电子健康记录，以高精度预测CPET最重要的指标——峰值耗氧量（peak VO2）。
“这为利用常规护理中已嵌入的数据源，对晚期心力衰竭患者进行更高效评估开辟了一条有前景的途径。”——Fei Wang博士，研究资深作者，Weill Cornell Medicine人工智能与数据科学副院长、医学信息学Frances and John L. Loeb教授。
这项研究高度协作，不仅涉及Wang博士的信息学和AI专家团队，还包括Deborah Estrin博士（Cornell Tech影响力副院长）领导的团队，以及临床方面Nir Uriel博士（NewYork-Presbyterian晚期心力衰竭与心脏移植主任）领导的团队。
在心力衰竭护理中实现AI的潜力
该期刊论文是心血管AI倡议的首批成果，该倡议由Cornell、Columbia和NewYork-Presbyterian共同发起，旨在探索利用AI改善心力衰竭诊断和管理。近年来AI的进步不仅催生了流行的消费和商业应用，还训练出了能从文本和图像类医疗数据中检测疾病相关模式的机器学习模型。
“最初我们组建了一个由40多名心力衰竭专家组成的小组，请他们告诉我们AI最适合应用在哪些方面，”Uriel博士说，他也是Columbia大学Vagelos内科与外科医师学院医学系心脏病学Seymour、Paul and Gloria Milstein教授，以及Weill Cornell Medicine医学部Greenberg心脏病学部门的兼职医学教授。
利用AI分析心脏超声数据以帮助识别晚期心力衰竭患者，似乎是最有前景的应用之一。Uriel博士随后联系了Cornell Tech、Cornell Bowers和Weill Cornell Medicine的AI专家，他们经过多年合作开发出了新的机器学习模型。
“临床医生与AI研究人员在该项目中的紧密互动最终推动了新型AI技术的发展，否则这些技术就不会被探索出来，”Estrin博士说，她是Cornell Tech的Robert V. Tishman '37计算机科学教授、Cornell Bowers教授以及Weill Cornell Medicine人口健康科学教授。“所以，这是医学塑造AI的未来——而不仅仅是AI塑造医学的未来。”
由Wang博士领导的AI团队（包括主要作者Zhe Huang博士和Weishen Pan博士，以及Cornell Bowers的学生和教师）开发了一种多模态多实例机器学习模型，能够处理多种不同类型的数据，包括普通的心脏动态超声图像、显示心脏瓣膜动力学和血流的相关波形图像，以及电子健康记录中的各种项目。
该模型使用来自NewYork-Presbyterian/Columbia University Irving Medical Center的1000名心力衰竭患者的去标识数据进行训练。训练完成后，模型被要求预测来自NewYork-Presbyterian其他三个院区的127名新心力衰竭患者的峰值VO2——即有效确定高风险状态。
结果优于以往任何基于AI的峰值VO2预测报告。对于旨在区分高风险患者与其他患者的工具，研究人员使用了一种衡量指标，该指标与样本中随机选择的高风险患者比随机选择的低风险患者具有更高预测风险的概率相关。该指标显示总体准确率约为85%，表明其在临床环境中将具有实用性。
该团队已经开始规划新方法的临床研究，这将需要获得美国食品药品监督管理局（FDA）的批准和常规临床采用。
“如果我们能用这种方法识别出许多原本不会被发现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，”Uriel博士说。
来源：Weill Cornell Medicine
期刊参考文献：Huang, Z., et al. (2026). Multimodal multi-instance learning for cardiopulmonary exercise testing performance prediction. npj Digital Medicine. DOI: 10.1038/s41746-026-02493-w.
【全文结束】