以心肌受损或衰弱为特征的心力衰竭会导致液体逐渐积聚在患者的肺部、腿部、足部及身体其他部位。这是一种慢性且无法治愈的疾病，常常引发心律失常或心脏骤停。数个世纪以来，放血疗法和用水蛭吸血是主流治疗手段，在欧洲由理发师外科医生实施，而当时医生很少亲自给患者动手术。
到了21世纪，心力衰竭的管理已不再那么“中世纪”：如今，患者需要结合健康的生活方式调整、服用药物，有时还需使用起搏器。然而，心力衰竭依然是发病和死亡的主要原因之一，给全球医疗保健系统带来了沉重负担。
“约半数被诊断出心力衰竭的患者将在五年内死亡，”麻省理工学院博士生蒂娅·贝尔加马斯基说。她在尼娜·T.与罗伯特·H.鲁宾教授科林·斯图尔茨的实验室工作，也是一篇关于预测心力衰竭深度学习模型新论文的共同第一作者。“了解患者出院后的病情发展，对于分配有限的医疗资源至关重要。”
这篇由麻省理工学院、麻省总医院布里格姆分院和哈佛医学院研究人员共同撰写的论文发表在《柳叶刀》的eClinical Medicine上，分享了他们开发和测试PULSE-HF模型的结果。PULSE-HF大致代表“通过心力衰竭患者心电图预测左心室收缩功能变化”。该项目在斯图尔茨的实验室进行，该实验室隶属于麻省理工学院阿卜杜勒·拉蒂夫·贾米尔健康机器学习诊所。该深度学习模型在来自麻省总医院、布里格姆妇女医院和MIMIC-IV（一个公开数据集）的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，即心脏左心室每次搏动泵出的血液百分比。
健康人的心脏每次搏动从左心室泵出约50%至70%的血液，低于此值则视为潜在问题的征兆。“该模型接收心电图数据，并输出预测结果，判断患者在未来一年内的射血分数是否会降至40%以下，”同样在斯图尔茨实验室工作的麻省理工学院博士生、PULSE-HF论文的另一位共同第一作者蒂芙尼·姚说。“这是心力衰竭中最严重的亚组。”
如果PULSE-HF预测某位患者的射血分数可能在一年内恶化，临床医生便可以优先安排该患者进行随访。相应地，风险较低的患者可以减少就诊次数，以及进行12导联心电图时，在身上粘贴10个电极的时间。该模型也可部署在资源有限的临床环境中，例如通常没有日常配备心脏超声技师进行扫描的农村地区诊所。
“PULSE-HF与其他基于心电图检测心力衰竭方法的最大区别在于，它进行的是预测而非检测，”姚指出。该论文强调，迄今为止，尚无其他方法可用于预测心力衰竭患者未来LVEF的下降趋势。
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）这一指标来衡量PULSE-HF的性能。AUROC通常用于衡量模型在0到1的尺度上区分不同类别的能力，其中0.5表示随机，1表示完美。PULSE-HF在三个患者队列中的AUROC值达到了0.87至0.91。
值得注意的是，研究人员还构建了适用于单导联心电图的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PULSE-HF的性能与12导联版同样出色。
尽管PULSE-HF的理念简洁优雅，但与大多数临床AI研究一样，其背后是艰辛的执行过程。“完成这个项目花了好几年，”贝尔加马斯基回忆道，“它经历了无数次迭代。”
团队面临的最大挑战之一是收集、处理和清理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唾手可得。就像学生使用带有答案键的教科书学习一样，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。
训练模型时，TXT文件形式的干净、线性文本通常效果最佳。但超声心动图文件通常以PDF格式呈现，当PDF转换为TXT文件时，文本（因换行和格式而断裂）会变得难以让模型读取。现实场景的不可预测性，例如患者躁动不安或电极松动，也会污染数据。“存在大量需要清理的信号伪影，”贝尔加马斯基说，“这就像一个永无止境的兔子洞。”
尽管贝尔加马斯基和姚承认，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是有限的。“你什么时候才会停止？”姚问道，“你必须考虑实际用例——让这个模型处理略微杂乱的数据是否最简单？因为现实中的数据很可能就是如此。”
研究人员预计，PULSE-HF的下一步将是针对真实患者进行前瞻性研究，因为这些患者未来的射血分数是未知的。
尽管将PULSE-HF这类临床AI工具推向终点线挑战重重，包括可能因此延长博士学业一年，但学生们觉得多年的努力是值得的。
“我认为事情之所以有价值，部分原因在于它们具有挑战性，”贝尔加马斯基说，“一位朋友曾对我说：‘如果你觉得自己毕业后能找到真正的使命，如果使命真的在召唤你，那么在你多花一年毕业的时间里，它就在那里。’……作为机器学习与健康领域的研究者，我们被衡量的方式与其他机器学习领域的研究者不同。这个领域的每个人都能理解这里存在的独特挑战。”
“世界上有太多的苦难，”姚说。她是在一次健康事件后意识到机器学习在医疗保健中的重要性，才加入了斯图尔茨的实验室。“任何试图减轻痛苦的事情，我都会认为是值得我花费时间的有价值之事。”
【全文结束】