一项研究表明，Eko Health开发的一种基于人工智能（AI）的算法可以通过分析数字听诊器记录的心脏声音来检测肺动脉高压（PH）的特征。这项技术是在美国国立卫生研究院（NIH）提供的270万美元资助下开发的。
该算法最终可能帮助在初级护理或其他无法轻松获得侵入性和昂贵诊断程序的环境中加速准确的PH诊断，使患者可以更快开始关键的PH治疗，公司表示。
“这种创新方法展示了如何将数字听诊器与先进的人工智能相结合，以创建一种低成本、非侵入性的床边筛查工具，用于早期检测肺动脉高压，”罗德岛布朗大学心血管研究中心教授兼主任Gaurav Choudhary博士在公司新闻稿中说，“我们的研究结果代表了临床实践的重大进展，最终可以提高患者的护理质量。”
这项研究题为“基于深度学习的肺动脉高压筛查算法的开发与评估”，发表在《美国心脏协会杂志》上。四位作者受雇于或持有Eko的股票期权。
肺动脉高压（PH）的特点是肺动脉压力升高，这些血管将血液从心脏输送到肺部。这会导致呼吸短促、疲劳和虚弱等症状，并最终可能导致心力衰竭。通常通过心脏功能测试如超声心动图和右心导管插入术（RHC）进行诊断。尽管这些测试准确，但它们成本高昂，需要心脏病专家的专业知识。作为确诊金标准的RHC也是一种侵入性检查。
这些限制可能导致延迟诊断，进而导致患者临床结果恶化。数据显示，患者有时在症状出现后要等待超过两年才能得到正确的诊断。
研究人员写道：“对于一种新的筛查工具仍有很大的未满足需求，这种工具对患者和临床医生来说易于访问，能够实现早期诊断和改善肺动脉高压患者的预后。”
Eko的筛查算法依赖于一种称为心音图（PCG）的非侵入性测试，该测试检测来自心脏的声音和杂音。数据通过该公司销售的数字听诊器收集。非侵入性心脏测试的数据由AI算法分析，以预测是否存在PH的关键标志——升高的肺动脉压力。该算法通过分析大型数据集中的模式来进行预测，这是一种称为机器学习的AI类型。
在这种情况下，算法接受了超过6000个心音图记录的训练，这些记录与来自789人的标准超声心动图评估数据配对。另外还使用了169000个没有相应超声心动图的PCG记录。训练完成后，在另一组196人中测试了算法的预测能力。
结果显示，该算法能够正确识别约80%的升高的肺动脉压力。研究人员指出，其性能相对于通过超声心动图收集的读数而言是“可接受的”。
研究人员表示，这种方法意味着非心脏专科医生，如初级保健医生，将能够筛查患者。“此外，这种方法可以改善医疗资源不足和农村地区的PH诊断和管理，”他们写道，这可能对全球健康结果产生“重要影响”。
Eko表示，正在从1200多名患者那里收集更多数据，以进一步优化算法并提高准确性。
“早期检测和干预对于应对心血管疾病至关重要，Eko致力于提供可访问且可扩展的技术，以赋能医疗保健提供者并改善全球患者护理，”印第安纳州普渡大学教授、Eko科学顾问委员会主席Steve Steinhubl医学博士说。
(全文结束)
