一项来自约翰霍普金斯大学的新人工智能模型旨在以显著高于以往方法的准确性检测突发心脏死亡的风险。
患有肥厚型心肌病（HCM）这种遗传性心脏病的人特别容易受到突发心脏死亡的影响。到目前为止，医生几乎无法可靠地预测哪些患者有风险——而一个新的人工智能模型现在有望解决这个问题。约翰霍普金斯大学的研究团队开发了MAARS系统（用于心律失常风险分层的多模态人工智能），以比传统临床风险计算器显著更高的准确性预测突发心脏死亡的个体风险。“我们能够（通过MAARS）非常准确地预测患者是否有突发心脏死亡的极高风险，”该研究论文的合著者Natalia Trayanova表示。这篇题为《多模态人工智能预测肥厚型心肌病心律失常死亡》的论文已在《自然心血管研究》杂志上以开放获取的形式发表。
本质上，MAARS分析多模态患者数据：电子健康记录、心脏病学发现和心脏的对比增强MRI图像。尽管后者特别是迄今为止显示了瘢痕组织，这被认为是心律失常的风险标志，但研究人员表示，它们在临床上几乎没有被系统地分析过。相反，MAARS使用具有变压器架构的深度神经网络，从这些三维图像数据中提取以前未使用的信息。
其好处显而易见：虽然美国心脏协会或欧洲心脏病学会的现有指南在研究中仅达到约50%的准确性——几乎与随机猜测无异——但MAARS在内部测试数据集中的准确率达到0.89，在外部测试数据集中的准确率为0.81。研究团队表示，对于40至60岁这一最高风险年龄段的患者，MAARS的准确性甚至达到了93%。
更少的误报，更有针对性的治疗
人工智能预测的一个关键承诺是，它不仅应拯救生命，还应避免不必要的医疗干预。目前，许多HCM患者被预防性地植入除颤器——即使他们永远不会经历危险的心脏骤停。这些设备本身也有风险，例如感染或错误的电击。MAARS可以帮助将这些干预措施集中在真正有风险的患者身上。
该系统还为其决策提供了可理解的解释。通过所谓的Shapley值，可以在个体层面识别最重要的风险因素，例如瘢痕的程度、某些心律失常或心脏的功能参数。视觉解释也是可能的：MRI图像上的热图显示了人工智能特别关注的心脏结构区域。
研究人员承诺另一个质量特征：在测试中，MAARS没有显示出对某些年龄或性别群体的系统性偏见——这是基于人工智能的医学中的一个常见问题。然而，仍存在一些限制：数据库仅限于两个中心的近840名患者，而且研究期间实际突发心脏死亡的病例数量较少。研究人员表示，这使得模型验证在统计学上具有挑战性。
临床应用仍然任重道远。尽管代码是公开的，但整合到现有医院系统和获得监管批准仍需时日。MAARS需要高质量的图像数据和广泛的患者信息，而这些在各地并不都具备。
（mack）
不要错过任何新闻——请在Facebook、LinkedIn或Mastodon上关注我们。
本文最初以德文发表。翻译由技术支持，并在发布前经过编辑审查。
【全文结束】
