对话汪麟：跨越预测边界，AI为STEMI治疗带来“智”能突破
学术
健康
2025-01-02 17:55
北京
编者按：科学的海洋中，每一项突破性发现都是对知识边界的勇敢探索。AME旗下杂志一直致力于挖掘和发表具有深远学术价值的研究，这些研究不仅推动了医学领域的发展，也为临床实践提供了宝贵的指导。
为了深入挖掘这些研究成果背后的故事，我们特别邀请文章作者进行一系列深度访谈，为广大读者呈现科研工作的独特视角和深刻洞见，展现他们的学术理念和人文思考。我们相信，每一位科研工作者的故事都是独一无二的，他们的经验和智慧能够启发和激励更多年轻人，帮助他们在科研之路上找到自己的方向，实现自己的价值。
本期，让我们一同走近安徽医科大学第二附属医院汪麟。
采写 | 李欣燃
汪麟：跨越预测边界，AI为STEMI治疗带来“智”能突破急性ST段抬高心肌梗死（STEMI）是一种严重的心血管疾病，曾一度被公认为全球范围内主要死亡原因之一。该病因突发性冠状动脉完全闭塞导致心肌大面积缺血坏死，具有发病急、进展快、风险高的特点，需及时开通闭塞血管以挽救濒死的心肌。因此，急诊经皮冠状动脉介入治疗被视为STEMI的首选治疗手段，其通过迅速开通闭塞血管，能够有效改善患者的心肌灌注及长期预后，为无数生命带来新的希望。然而，尽管技术和设备日趋完善，治疗过程中仍有10%～30%的患者会出现“无复流”这一棘手问题，其不仅显著增加了术后并发症和死亡风险，还对心血管介入治疗的效果提出了巨大挑战。那么，如何精准预测并有效应对这一问题呢？安徽医科大学第二附属医院心内科团队给出了答案。他们创新性地借助机器学习技术，开展了一项回顾性研究。通过深入分析261例STEMI患者的术前与术中数据，研究团队不只考虑了常规的临床指标，还结合了冠状动脉造影影像、实验室指标及治疗干预策略等多维度因素，最终开发出一个最佳预测模型，并于2024年8月发表在《心血管诊断与治疗》（CDT）杂志上。研究发现，结合逻辑回归与XGBoost的模型（LR-XGB）在预测无复流风险方面表现出色，其曲线下面积高达0.829。同时，首次球囊扩张后的冠脉TIMI血流（TFAID）也被确认为无复流的重要预测指标，为优化治疗策略提供了关键线索。这项研究不仅展示了人工智能（AI）在医学领域的巨大潜能，还为STEMI患者的治疗提供了新思路。基于这一成果，我们与研究第一作者汪麟进行了深度对话，试图挖掘科学发现背后的艰辛历程，并探索其对未来心血管疾病治疗的深远意义。![]()
图1. 团队发表在CDT杂志上的研究（点击文末阅读原文查看）AME：促使团队开展这项研究的原因是什么？对于接受经皮冠状动脉介入治疗的急性ST段抬高心肌梗死患者来说，无复流现象为什么是一个重要的临床问题？汪麟：促使我们开展这项研究的原因是，目前急诊经皮冠状动脉介入治疗（PCI）已被广泛认为是治疗急性ST段抬高心肌梗死的最佳手段。然而，即便技术水平、介入理念、术中辅助药物和机械设备都在不断进步，术中仍存在一些难以完全解决的问题，其中最棘手的就是无复流现象。无复流指的是，虽然冠状动脉的大血管血流得以恢复，但心肌灌注却未能有效实现，其在冠脉造影中表现为造影剂流动缓慢或停滞。导致无复流的机制十分复杂，涉及远端血栓栓塞、缺血性损伤、再灌注损伤、内皮细胞肿胀、血液黏度改变、心肌水肿以及冠状动脉微循环对损伤的敏感性增加等多种因素。对于术者来说，尽管可以通过血栓抽吸、球囊扩张及支架植入等方法解决大血管狭窄问题，但无复流现象一旦发生，目前仍缺乏行之有效的解决方案。据有关文献报道，无复流的发生率在10%～30%之间，而我们研究中观察到的发生率是18.7%。若采用心脏磁共振等更敏感的手段来检测，实际发生率可能会更高。对于患者来说，无复流的发生会显著增加并发症和死亡的风险；而对于心血管介入医生来说，无复流的出现不仅可能完全抵消手术成功带来的成就感，甚至会让人感到挫败。因此，我们希望通过研究找到导致无复流的高危因素，明确哪些原因或操作会增加无复流的发生率，以及哪些操作能够有效预防无复流。如果能解决这些问题，将对患者和医生都大有裨益。AME：为什么在这项研究中选择基于机器学习的最佳模型来预测？它有什么独特的优势？汪麟：传统模型如Logistic回归，是一种经典且优秀的方法，具有清晰的数学逻辑和极强的可解释性，无需调整过多参数，并能够计算出各项危险或保护因素的优势比，从而输出事件发生的概率值。不过，它也有一些明显的局限性，例如当样本量较小且特征变量较多时，若特征之间存在复杂的非线性关系，Logistic回归的表现可能就不太理想。而我们的研究正是这种情况：作为单中心的回顾性研究，样本量有限，同时基于既往研究结果及术中关注的问题，我们一共保留了50个特征。如此高维的数据显然超出了Logistic回归的适用范围。在处理高维数据时，机器学习的优势就非常明显了。它能够自动完成特征选择，捕捉变量之间的交互关系，同时对异常值更具鲁棒性。这些特性使得机器学习成为我们研究的最佳选择。AME：您如何看待AI在医学研究中的角色？它更多的是作为一种工具，还是为研究开辟了全新的维度？汪麟：当前，人工智能（AI）无疑是一个热门话题。尤其是在OpenAI与微软公司合作推出Copilot后，其命名中“co-”这个前缀（意为“共同”）生动地诠释了人与AI之间的协作关系。这让我想起电影《飞驰人生》中领航员的角色：尽管方向盘不在他手中，但他能精准指引驾驶员的方向，告诉他何时加速、转弯或注意潜在障碍。同样，随着人工智能的不断进步，它也正逐步成为医学工作者的“领航员”，尤其在临床医学、医学管理，以及医学研究等多个领域展现出强大的辅助作用。在医学研究中，AI的角色更像是一个多面手。它既是一种强大的工具，也为研究开辟了全新的维度。AI（如ChatGPT）可以帮助研究者梳理研究方案、优化研究设计、提供创新性的研究方法，甚至在解决复杂研究难题时给予重要支持。与此同时，AI自身（如机器学习、深度学习）还是一种重要的研究方法，能够处理海量复杂数据，挖掘出人类肉眼无法观察的潜在特征。一位朋友曾这样形容医学研究的进步：传统的医学研究可以被看作是一个“三角形”，由临床数据、机制研究和遗传学三部分构成。若能兼备其中两者，便能完成一项不错的研究；若三者齐全，则是一项出色的研究。而AI的加入，让这一“三角形”进化为“四边形”。当临床数据、机制研究、遗传学和AI齐头并进，彼此融合，才有可能达到医学研究的最高水平。这种多维度、跨领域的整合，不仅拓宽了研究视野，也使医学研究具备了前所未有的深度和精度。总的来说，AI既是工具，也是开创全新研究维度的引擎。它不会取代研究者的角色，但作为协作者与赋能者，正在引领医学研究迈向更加广阔的未来。AME：研究中还提到选择了Logistic回归（LR）、随机森林（RF）和XGBoost三种算法来构建预测模型。为什么特别选用这三种算法？哪一种算法下的预测模型更精准？为什么？汪麟：我们的研究目标不仅是构建一个预测无复流发生的模型，更重要的是探索哪些特征对无复流的发生具有重要影响，从而为未来的手术策略提供指导。因此，模型的可解释性是我们选择算法时的首要考虑因素。综合机器学习算法的特点和团队的技术条件，我们选择了LR、RF和XGBoost三种算法。这些算法都可以通过内置评分机制或结合其他方法（如SHAP值分析）对特征的重要性进行排序。此外，我们最终采用的并非单一模型，而是结合多种算法的优点，构建了融合模型。在不同分类器的效果比较中，LR-XGBoost模型和单纯的XGBoost模型表现最佳，难以分出高下。后来，我们又通过决策曲线分析来进一步评估各模型的净效益，最终LR-XGBoost模型脱颖而出。AME：团队在研究开展中遇到的最大挑战是什么？最终是如何克服的？汪麟：研究中我们遇到的最大挑战就是算法问题。因为团队成员并非计算机专业出身，所以我们需要花很多时间去阅读机器学习相关的书籍、查阅文献，还要在Github上寻找相关代码。一次代码报错，都要耗费好几天才能解决。特征工程也是最具挑战性的环节。确定特征数量和优选特征的过程耗费了大量时间和精力。我们通过参考文献和一些高质量的代码分享，首先使用递归特征消除法结合学习曲线来确定最佳特征数量，然后在不同算法中反复运算，最终选出了高频特征。这一系列操作显著提升了模型的性能。当代码顺利运行且结果令人满意时，团队的成就感真的难以形容。AME：您认为这项研究的开展对于制定个性化的治疗计划有何贡献？还有哪些意想不到的发现？汪麟：我们的研究结果部分与既往文献相符，同时也有一些新的发现。首先，在日常工作中我们注意到，如果首次球囊扩张后冠脉血流恢复得较好，无复流的发生概率似乎会显著降低。基于这个观察，我们提出了一个新概念：首次球囊扩张后的冠脉TIMI血流（TFAID）。研究结果表明，当TFAID达到3级时，无复流的发生概率显著降低，这一指标在不同分类器中均表现为最重要的影响因素。此外，我们还意外发现低钾血症是无复流的一个重要危险因素，这在既往文献中鲜有报道。未来，我们可能会基于这一发现开展进一步研究。根据筛选出的关键特征，我们还开发了一款网页计算器。只需手机和网络即可使用，术者的助手可以实时输入患者的基础资料（如Killip分级、肌钙蛋白数值、血钾浓度等），并结合拟实施的手术操作（如血栓抽吸、使用替罗非班、植入特定直径支架等）生成预测结果。术者可以根据预测结果调整手术策略，以最大程度降低无复流的发生概率。我们坚信，这项工具将会为急诊PCI的方案制定提供重要指导。汪麟：首先，这是一项单中心研究。尽管预测模型在我们中心表现良好，但在其他中心，它的适用性尚未验证。其次，网页计算器中采用了肌钙蛋白数值作为一个关键特征，而不同中心的检测方法可能存在差异，甚至结果可能相差数量级。因此，我们需要寻找一个与肌钙蛋白具有高度相关性的替代指标，以提高工具的适用性和推广性。此外，我们的研究未纳入左主干病变和分支病变患者，因为这些病变的干预策略与常规病变有所不同。因此，本模型及计算器不适用于这类血管闭塞情况。AME：基于这项研究，您和团队接下来有哪些进一步的研究计划或方向？汪麟：第一步，我们计划收集多中心的数据，在现有算法的基础上进一步调整及优化，以建立一个适用于不同中心的预测模型，并测试其预测效能；第二步，我们需要评估新模型在真实世界中的实际应用效果，计划开展多中心、前瞻性随机对照研究，去明确该工具是否可以通过影响急诊PCI术中的决策，从而降低无复流的发生率，并最终改善患者的预后。AME：通过这项研究，您个人在研究过程中获得了哪些新的见解和成长？汪麟：这项研究虽然花费了我们很多精力，但也让我收获颇丰：临床方面，我们的部分观点得到了验证，同时还发现了一些此前被忽略的重要特征，这使得我们对无复流现象有了更深刻的理解。研究方法方面，我们对机器学习这一全新领域有了系统的了解，并在前人的基础上尝试了一些方法创新，为后续研究奠定了基础。对我个人而言，编程能力也得到了极大提升。目前，我不仅使用R语言进行研究分析，还将其应用于日常工作中。这不仅使结果的展示更加直观，同时也大幅提高了工作效率。以胸痛中心的数据质控为例，以往需要逐条审阅每个病例的数据，工作量巨大且容易出错，更难以从宏观层面把握数据的变化趋势。现在，通过下载所有病例的时间节点，并根据质控需求书写代码，我能够快速发现数据中明显异常的数值，轻松分析急诊胸痛接诊各环节的耗时及数据分布情况。这种方式使我能够针对性地进行整改，甚至可以对每位医生在各环节的工作情况进行排名，从而显著提升胸痛中心的工作效率。这样的改进不仅优化了我的工作方式，还帮助我更好地平衡了工作与生活，从而提高了工作效率，同时也促进了我的个人成长与收获。汪麟
安徽医科大学第二附属医院心内科主治医师，安徽医科大学第二附属医院胸痛中心秘书及协调员。安徽省病理生理委员会心血管分会委员，安徽省胸痛中心联盟质控委员会委员，安徽省医师协会心血管介入医师分会青年委员。
主要研究方向为心血管疾病的临床研究和人工智能大数据分析。从事冠心病介入工作10余年，擅长复杂分叉病变、高阻力钙化病变、慢性闭塞性病变的介入治疗以及冠状动脉有创/无创影像学、功能学的应用及解读。长期从事急性心肌梗死患者的救治以及胸痛中心的建设及推广工作，曾获得“中国胸痛中心护心使者”荣誉。
胡广全
安徽医科大学第二附属医院心血管内科博士、主任医师、校聘副教授、硕士研究生导师、卫生部冠心病介入基地培训导师。安徽医科大学第二附属医院心内科冠心病诊治亚专科负责人，主要研究方向为心血管疾病的基础与临床研究，主持和参与多项新技术新项目，曾参与国家863课题、国自然基金研究，主持和参与省教育厅、安徽医科大学校科研基金多项，发表SCI及核心期刊论著30余篇。临床擅长各种心血管介入治疗技术，尤其擅长冠心病介入治疗，能够处理高危左主干及各种分叉病变、扭曲钙化病变、支架内再狭窄及支架闭塞、外科搭桥术后桥血管病变、慢性闭塞病变的正向及逆向介入治疗等。独立开展冠脉钙化病变的旋磨技术、血管内超声、冠脉功能学检测的应用，个人PCI例数400～500例/年，累计完成PCI例数约6000余例。现担任安徽医专学报杂志编委，安徽省胸痛中心联盟委员，安徽省医学会心血管分会委员，安徽省医师学会心脏重症分会冠心病学组委员，安徽省病理生理学会心血管分会委员，安徽省医师学会冠心病介入分会委员，安徽省全科医学会心脏大血管分会委员，安徽省健康服务业协会心血管分会委员 。
责任编辑：李欣燃 AME Publishing Company
排版编辑：袁 舒 AME Publishing Company
