背景：急性心肌梗死(AMI)患者的早期风险分层对指导治疗和资源分配至关重要。虽然左心室射血分数(LVEF)通常通过超声心动图进行常规评估，但新型标志物提供了额外的预后价值，却因时间限制或专业知识不足而未被广泛采用。人工智能(AI)能够对超声心动图进行快速、全自动分析，产生标准化且全面的测量结果。本研究旨在评估在临床变量基础上，AI衍生的超声心动图参数对预测AMI后预后的附加价值。
方法：纳入连续进行侵入性冠状动脉造影的AMI患者。使用Us2.ai软件对超声心动图进行分析。通过Cox回归模型评估一年全因死亡率和主要不良心脏事件(MACE)的独立预测因子，并比较纯临床模型、超声心动图模型及组合模型的预测效能。
结果：在1001名患者（中位年龄64岁[54,72]，男性占78.1%）中，随访期间161人(16.1%)死亡。与一年全因死亡率或MACE独立相关的AI-超声心动图标志物包括：较低的LVEF、较大的左心室壁厚度、较低的左心室质量、较大的左心房面积、较低的左心房储器应变以及较小的主动脉瓣面积。对于一年死亡率预测，组合模型相比纯临床模型展现出更优的区分能力（AUC 0.85 vs 0.81；p=0.018）。同样，在预测一年MACE时，组合模型较临床模型显著改善区分效能（AUC 0.80 vs 0.74；p<0.001），并产生最低的赤池信息量准则和贝叶斯信息量准则值。
结论：将AI衍生的超声心动图参数与传统临床风险因素相结合，可在AMI后提供增量预后价值。能够准确且可重复地自动化复杂评估的AI工具有望增强心血管疾病风险分层能力，为临床决策提供更全面的依据。
【全文结束】