心力衰竭的特征是心肌组织弱化或受损，导致液体逐渐在患者的肺部、腿部、脚部和其他部位积聚。这种慢性疾病无法治愈，常引发心律失常或心脏骤停。在欧洲，几个世纪以来，放血疗法和水蛭疗法曾是首选治疗方案，由理发师外科医生实施，而当时医生很少对患者进行手术。到了21世纪，心力衰竭的管理手段已不再那么中世纪：如今，患者通过健康的生活方式改变、药物治疗，有时还需要使用起搏器。然而，心力衰竭仍然是导致发病率和死亡率的主要原因之一，给全球医疗系统带来沉重负担。
“大约一半被诊断出心力衰竭的患者会在五年内死亡，”麻省理工学院博士生、Nina T. and Robert H. Rubin 教授 Collin Stultz 实验室的成员 Teya Bergamaschi 说，她是一篇新论文的共同第一作者，该论文介绍了一种用于预测心力衰竭的深度学习模型。“了解患者出院后的病情走向，对于分配有限资源非常重要。”
这篇论文发表在《柳叶刀e临床医学》上，由麻省理工学院、麻省总医院布列根和哈佛医学院的研究人员共同撰写，分享了开发和测试 PULSE-HF 的结果。PULSE-HF 大致代表“通过心电图预测左心室收缩功能变化的心力衰竭患者”。该项目在 Stultz 的实验室进行，该实验室隶属于麻省理工学院 Abdul Latif Jameel 机器学习健康诊所。该深度学习模型在来自麻省总医院、布列根妇女医院和 MIMIC-IV 三个不同患者队列中进行了开发和回顾性测试，能够准确预测左心室射血分数的变化，即每次心跳从左心室泵出的血液百分比。
健康的人类心脏每次跳动约将 50% 至 70% 的血液从左心室泵出——低于此范围则被视为潜在问题的信号。“该模型通过心电图输出一个预测结果，判断在未来一年内患者的射血分数是否会降到 40% 以下，”同为 Stultz 实验室博士生、PULSE-HF 论文共同第一作者的 Tiffany Yau 说。“这是最严重的心力衰竭亚组。”如果 PULSE-HF 预测患者的射血分数可能在一年内恶化，临床医生可以优先安排患者进行随访。而低风险患者则可以减少就诊次数，以及将 10 个电极贴在身上进行 12 导联心电图的时间。该模型还可部署在资源有限的临床环境中，包括不常雇佣心脏超声技师进行日常超声检查的农村诊所。
“PULSE-HF 与其他心力衰竭心电图方法的最大区别在于，它不是检测，而是预测，”Yau 说。论文指出，到目前为止，还没有其他方法可以预测心力衰竭患者未来射血分数的下降。在测试和验证过程中，研究人员使用“受试者工作特征曲线下面积”（AUROC）来衡量 PULSE-HF 的性能。AUROC 通常用于测量模型在 0 到 1 的尺度上区分不同类别的能力，0.5 表示随机，1 表示完美。PULSE-HF 在三个患者队列中均取得了 0.87 到 0.91 的 AUROC 评分。
值得注意的是，研究人员还构建了单导联心电图的 PULSE-HF 版本，这意味着只需在身体上放置一个电极。虽然 12 导联心电图通常被认为更全面、更准确，但单导联版本的 PULSE-HF 性能与 12 导联版本一样出色。尽管 PULSE-HF 的理念简单优雅，但像大多数临床人工智能研究一样，其执行过程非常繁琐。“这个项目花了数年时间，”Bergamaschi 回忆道。“它经历了许多次迭代。”团队面临的最大挑战之一是收集、处理和清洗心电图及超声心动图数据集。虽然模型旨在预测患者的射血分数，但训练数据的标签并非总是 readily available。就像学生从带答案的课本中学习一样，标签对于帮助机器学习模型正确识别数据中的模式至关重要。
干净、线性的 TXT 文件在训练模型时通常效果最好。但超声心动图文件通常以 PDF 形式出现，当 PDF 转换为 TXT 文件时，文本会因换行和格式而被打乱，模型难以读取。现实场景的不可预测性，例如患者躁动或电极松动，也会污染数据。“有很多信号伪迹需要清理，”Bergamaschi 说。“这有点像无底洞。”虽然 Bergamaschi 和 Yau 承认，更复杂的方法可能有助于过滤数据以获得更好的信号，但这些方法的实用性有限。“你在什么时候停下来？”Yau 问道。“你必须考虑使用场景——是否最容易让这个模型处理略有混乱的数据？因为实际数据很可能就是如此。”研究人员预计，PULSE-HF 的下一步将是在真实患者身上进行前瞻性研究，这些患者未来的射血分数是未知的。
尽管将 PULSE-HF 等临床人工智能工具推向终点面临诸多挑战，包括可能让博士生涯再延长一年，但学生们认为多年的努力是值得的。“我认为事情之所以有意义，部分原因在于它们具有挑战性，”Bergamaschi 说。“一位朋友曾对我说：‘如果你认为毕业后会找到自己的使命，那么如果那是你真正的使命，它会在你多花一年毕业的时间里依然存在。’……我们在机器学习与健康领域的研究人员的衡量标准与其他机器学习领域的研究人员不同。这个领域的每个人都理解这里存在的独特挑战。”
“世界上有太多的痛苦，”Yau 说，她是在一次健康事件后加入 Stultz 实验室的，这让她意识到机器学习在医疗保健中的重要性。“任何试图减轻痛苦的事情，我都会认为是值得我投入时间的。”
【全文结束】