西弗吉尼亚大学（WVU）的计算机科学家正利用农村阿巴拉契亚地区医疗机构广泛使用的低技术设备数据，训练人工智能模型诊断心力衰竭。该研究团队开发的AI模型专门识别当地患者的心衰征兆，解决了传统AI模型依赖城市人口数据导致的诊断偏差问题。
WVU本杰明·斯塔特勒工程与矿物资源学院Lane电气与计算机工程系助理教授Prashnna Gyawali指出，心力衰竭作为一种慢性疾病，已成为美国乃至全球最严峻的健康挑战之一，而农村地区受影响尤为严重。他举例说明：一位62岁生活在阿巴拉契亚农村社区的女性患者，因缺乏专科医疗资源仅能依赖小型诊所就诊。其体力劳动强度高、预防性医疗不足且长期暴露于煤矿粉尘等环境风险因素，当出现疲劳和呼吸急促症状时，传统AI系统因未纳入类似社会经济与环境背景数据，可能无法准确识别其病情的紧迫性。
研究团队通过分析西弗吉尼亚州28家医院超过5.5万名患者的匿名化病历数据，筛选出最准确的AI模型参数。这项发表于《自然》旗下《科学报告》的研究显示，采用深度学习模型（特别是ResNet）结合12导联心电图数据，能更精准预测患者的射血分数——通过测量心脏每次收缩泵出血液量来评估心功能的关键指标。值得注意的是，研究团队特意采用普通心电图而非高成本的心脏超声检查数据，因为前者仅需粘附在胸部的圆形电极记录心脏电信号，无需特殊设备或专业操作培训。
博士生Alina Devkota解释称："传统射血分数测量依赖利用声波成像的心脏超声，但这种设备在美国心衰高发的阿巴拉契亚农村地区往往难以获得。西弗吉尼亚州的心脏病发作和冠心病患病率居全美首位，而当地居民更易获取廉价的心电图检查。"研究显示，增加训练数据集规模可进一步提升模型预测准确性，且特定导联组合的选择对提高诊断精确度具有显著影响。
Gyawali强调，尽管受可靠性限制AI尚未广泛应用于临床，但这种基于低技术设备数据的AI模型将为临床医生提供重要决策支持。目前全美超600万人受心力衰竭困扰，随着人口老龄化加剧，预计每4人中就有1人在生命周期内将经历心衰。该研究团队成员包括研究生研究员Rukesh Prajapati、助理教授Amr El-Wakeel、计算机科学系主任Donald Adjeroh以及健康科学学院医学教授Brijesh Patel，研究获得美国国家科学基金会部分资助。
【全文结束】
