基于机器学习的无屏蔽磁心电图检测冠状动脉疾病 - AI与医疗健康

基于机器学习的无屏蔽磁心电图检测冠状动脉疾病26-A-11614-ACC MACHINE LEARNING-BASED DETECTION OF CORONARY ARTERY DISEASE USING UNSHIELDED MAGNETOCARDIOGRAPHY | JACC

环球医讯 / AI与医疗健康来源：www.jacc.org美国 - 英语2026-04-22 12:10:32 - 阅读时长4分钟 - 1597字

本研究开发了一种26通道无屏蔽磁心电图设备，结合光泵磁力计技术实现床旁检测，用于诊断非ST段抬高型急性冠脉综合征患者的冠状动脉疾病。在梅奥诊所开展的34例患者初步研究中，该机器学习模型通过Gensini评分系统准确量化冠状动脉病变程度，对严重病变（Gensini评分>50）检测灵敏度达94.1%，成功克服了传统磁心电图需昂贵磁屏蔽和低温系统的临床应用障碍，为冠心病无创诊断提供了创新解决方案，且研究过程未报告任何不良事件。

背景

心脏磁信号检测技术（磁心电图，MCG）在心肌缺血和心肌梗死诊断中展现出应用潜力。然而，临床推广受限于昂贵且不实用的磁屏蔽系统和低温设备。我们开发了采用光泵磁力计的26通道磁心电图设备（沙盒量子公司(SandboxAQ)，美国加利福尼亚州帕洛阿尔托），适用于疑似非ST段抬高型急性冠脉综合征（NSTE-ACS）患者的床旁检测。本初步报告源自梅奥诊所（美国明尼苏达州罗切斯特）经机构审查委员会批准的150例患者试点研究。

方法

纳入34名因疑似NSTE-ACS需接受侵入性冠状动脉造影的患者，在术前立即进行磁心电图扫描。采用Gensini评分系统（基于狭窄程度和病变位置的加权总和）量化冠状动脉疾病（CAD）严重程度。通过留一法交叉验证，训练梯度提升回归模型，利用4项磁心电图特征预测Gensini评分。输出结果以20分阈值进行二分法分类（CAD/无CAD），并在轻度（5-20分）、中度（20-50分）和重度（>50分）亚组中评估灵敏度。

结果

34例患者（平均年龄65.9±13.6岁；56%为男性）中，冠状动脉造影结果显示：6例无显著冠状动脉疾病，9例轻度病变，8例中度病变，9例重度病变；2例因扫描质量不佳被排除。模型性能表现如下：对重度病变亚组的检测灵敏度达94.1%。研究全程未报告任何不良事件。

结论

本试点研究表明，采用无屏蔽床旁磁心电图技术，可有效检测NSTE-ACS患者的冠状动脉疾病相关心肌缺血。

信息与作者

信息

发表于

JACC

第87卷第13期增刊 • 2026年4月7日

页码：A802

版权

由Elsevier代表美国心脏病学会基金会出版

历史记录

在线发表日期：2026年3月27日