【心研精粹】JACC advanced 期刊9月下的文献解读（上）

健康 2024-11-11 18:02 北京

群英荟萃，展专家风采；

研究进展、创新技术，

治疗方案，尽在其中；

顶刊精选，深度解读，

意义影响，一一剖析；

迅速了解心脏领域动态，

共同探索心脏医学未来。

NO.01

第一篇

第一篇文献是关于人工智能（AI）在晕厥（Syncope）管理中应用的综述，标题为“Will Artificial Intelligence Be ‘Better’ Than Humans in the Management of Syncope?”，发表于《JACC: Advances》2024年。文章探讨了AI在晕厥的临床决策、临床研究和教育中的潜在优势、弱点，并提出了一些可能的解决方案。以下是文章的主要内容概述：

AI在晕厥临床决策中的应用：

AI技术，包括机器学习（ML）、深度学习（DL）和自然语言处理（NLP），能够分析大量数据，揭示晕厥风险因素、疾病特征和临床结果之间的隐藏和非线性联系。
AI可以帮助区分真正的晕厥和其他类型的短暂意识丧失，预测短期不良事件和住院时间。
AI在临床决策支持系统（CDSS）中的应用，可以辅助医生的决策，但目前还没有证据表明AI在晕厥临床决策中比医生表现得更好。

原始质量数据集是临床决策支持系统（CDSS）的起点。国内和国际数据可能包括从可穿戴设备和环境设备获得的时间序列。预处理和适当“格式化”的数据可用于直接训练ML/DL模型或通过微调预训练模型（例如，基础模型）。基于这些模型开发的CDSS可用于测试和创建辅助临床医生进行诊断、预后、教育和患者临床管理的系统。临床医生和CDSS之间的反馈可以帮助为系统生成新的数据。然后重复整个循环（数据集丰富）。同样的数据可以用于教育目的（例如，虚拟病人模拟器）和临床研究。AI人工智能；DL深度学习；ML机器学习。

AI在晕厥临床研究中的应用：

AI可以提高临床研究的效率，通过促进研究参与者的招募和匹配，以及全面数据分析。
AI可以帮助开发研究协议、管理和总结数据，但目前AI在晕厥研究中的应用还很少，需要进一步的外部验证。

AI在晕厥教育中的应用：

AI可以提供临床诊断推理的虚拟患者模拟器和智能辅导系统，帮助医学生和医生提高诊断技能。
AI还可以通过NLP系统教育患者，提高他们对晕厥的理解和生活质量。
然而，AI在医学教育中的应用面临挑战，包括准确性、成本和技术专长的需求。

文章强调，尽管AI在晕厥管理中有很大的潜力，但目前它还没有超越人类医生的能力。AI可以作为医生的辅助工具，提高医疗专业人员的能力。未来，AI可能会在晕厥的管理、研究和教育中发挥更大的作用，但需要更多的研究和开发来实现其潜力。

希望一种新的基于人工智能与标准的基于人类的方法来管理晕厥显示。人工智能可以改善医学教育和临床医生与患者之间的互动，并更有效地整合患者相关数据和晕厥知识的组合。因此，人工智能有潜力克服目前晕厥管理中固有的僵局。只要人工智能技术让人类“参与其中”，未来基于人工智能的临床决策支持系统、研究和医疗培训可能会带来更好的结果。

NO.02

第二篇

第二篇文章是一项关于心脏学中人工智能（AI）干预措施的前瞻性人类验证的综述研究，标题为“Prospective Human Validation of Artificial Intelligence Interventions in Cardiology: A Scoping Review”。以下是文章的核心内容概述：

背景：

AI在心血管护理中具有提升潜力，但由于缺乏与人类专家或黄金标准实践在真实世界环境中的有效性比较证据，其在临床实践中的应用受到限制。

目的：

识别心脏学中已前瞻性验证的AI干预措施，评估其有效性，并确定未来研究领域。

方法：

系统回顾了2015年1月至2023年12月期间发表的、涉及心脏学中AI干预措施前瞻性人类验证的同行评审出版物。

结果：

初步筛选出2351条记录，最终纳入64项研究。其中59项（92.2%）研究在2020年后发表，表明对AI模型前瞻性验证的兴趣和需求增加。11项（17.2%）为随机对照试验（RCT）。44篇文章（68.75%）报告了AI干预措施在临床或运营上优于人类专家的结果。这些干预主要应用于影像学（14项，21.9%）、射血分数（10项，15.6%）、心律失常（9项，14.1%）和冠状动脉疾病（12项，18.8%）领域。卷积神经网络（CNN）是最常用的预测模型（44项，69%），图像是使用最多的数据类型（38项，54.3%）。只有22项（34.4%）研究公开了它们的模型或数据。

结论：

综述识别了AI在心脏学中的潜力，模型通常在特定且明确定义的任务中与人类同行表现相当。随机对照试验的数量有限，强调了在真实世界环境中继续验证的必要性，尤其是在密切检查人机AI决策制定的背景下。

讨论：

研究观察到AI模型的前瞻性人类验证趋势在增加，大多数研究表明AI基于干预措施相比人类同行具有临床或运营优势。尽管取得了积极结果，但在真实世界环境中评估AI模型的影响仍存在显著差距，本综述中只识别出11项RCT。研究还确定了AI在心脏学中的多个创新机会，特别是在监测和治疗领域。研究结果表明，使用多样化的数据类型（不仅仅是医学影像和波形数据）可能增强AI干预的影响。

限制：

可能存在由于关键词不同而未能识别的相关研究。研究结果可能受到发表偏倚的影响，即正面结果比负面结果更可能被发表。

结论：

综述强调了AI在心脏学中的潜力，尤其是在心律失常、冠状动脉疾病、射血分数和影像学应用中，显示出超越人类专家的运营和临床优势。尽管取得了这些进展，但仍迫切需要在真实世界中进行验证，以更好地确定AI在实践中的影响。

NO.03

第三篇

第三篇文章是一项关于胰高血糖素样肽-1受体激动剂（GLP-1RAs）在社交媒体上的讨论趋势的研究，标题为“Trends in Glucagon-Like Peptide-1 Receptor Agonist Social Media Posts Using Artificial Intelligence”。以下是文章的核心内容概述：

背景：

GLP-1RAs近年来因其对2型糖尿病、肥胖和心血管疾病的临床益处而越来越受欢迎，相关的在线讨论也在公众论坛中增多。

目的：

分析社交媒体上关于GLP-1RAs的公众感知。

方法：

研究团队分析了2013年5月28日至2023年6月1日之间Reddit上与GLP-1RAs相关的帖子。使用人工智能（AI）管道，包括半监督自然语言处理模型（BERT）、降维技术和聚类算法，将帖子归类为相关主题，并使用预训练的BERT模型对讨论情绪进行分类和定性分析。

结果：

识别出14,390条与GLP-1RA相关的Reddit帖子，其中94%的帖子是在2021年后创建的，与Google搜索兴趣趋势一致。AI模型将帖子归类为30个主题，并进一步聚类为3个主要主题：保险和费用、药物相关博客、糖尿病/饮食。大多数帖子的情绪被预训练模型归类为负面。

结论：

AI可以提供社交媒体上关于GLP-1RAs感知的洞察。常见主题包括改善糖尿病和肥胖管理的成功案例、保险覆盖范围的挑战以及关于饮食、副作用和药物管理的问题。

讨论：

研究利用社交媒体评估公众对GLP-1RAs的看法，发现大多数帖子集中在保险和费用问题、糖尿病和饮食以及药物特定博客上。此外，还发现了对非标签用途（如多囊卵巢综合征、成瘾障碍和美容目的）感兴趣的社区。AI分析社交媒体帖子可以提供患者经验、需求和问题的真实视角，这可能用于更好地通过患者-临床医生讨论和早期识别药物使用的障碍来通知临床实践。

限制：

研究受限于Reddit的抓取限制，无法分析评论或其他社交媒体网站，如Facebook。AI聚类的结果需要人工审查以解释模型用于形成层次结构的特征。此外，预训练的情绪模型可能不适用于医疗主题，需要进一步训练。

结论：

这项研究展示了AI帮助阐明社交媒体上关于药物的模式和主题的潜力。常见的主题包括改善糖尿病和肥胖管理的成功案例、保险覆盖范围的挑战以及关于饮食、副作用和药物管理的问题。未来的工作需要确定如何将社交媒体上关于药物的趋势的见解应用于改善患者护理。

NO.04

第四篇

第四篇文章是一项关于社交隔离与生物年龄加速以及全因死亡率之间关系的研究，标题为“Association Between Social Isolation With Age-Gap Determined by Artificial Intelligence-Enabled Electrocardiography”。以下是文章的核心内容概述：

背景：

孤独和社交隔离与较差的健康结果相关，如增加心血管疾病风险。

目的：

探索社交隔离与生物年龄之间的关系，这种关系是通过人工智能（AI）辅助心电图（ECG）确定的，以及社交隔离与全因死亡风险之间的关系。

方法：

研究包括2019年至2022年间在梅奥诊所接受社交隔离评估调查并在过去一年内完成12导联心电图的成年患者。使用先前开发和验证的卷积神经网络（AI-ECG）从ECG中确定生物年龄。年龄差（Age-Gap）定义为AI-ECG年龄减去实际年龄，正值表示比预期年龄大。社交隔离状态通过基于社交网络指数（SNI）的多项选择题进行测量，得分范围从0（最隔离）到4（最不隔离）。

结果：

共有280,324名受试者被纳入研究（平均实际年龄59.8 ± 16.4岁，50.9%为女性）。平均年龄差为-0.2 ± 9.16岁。较高的SNI与较小的年龄差相关（SNI得分为4的β值为-0.11；95% CI：-0.22至-0.01；P < 0.001，调整协变量后）。Cox比例风险分析显示社交联系与全因死亡风险相关（SNI得分为4的风险比为0.47；95% CI：0.43-0.50；P < 0.001）。

结论：

社交隔离与生物年龄加速和全因死亡风险相关，独立于传统心血管风险因素。这一观察强调了将社交联系作为医疗保健决定因素的必要性。

讨论：

社交隔离与心血管疾病结果之间存在广泛的双向关系。社交隔离通过直接和间接途径增加心血管事件风险。此外，慢性疾病患者更容易经历社交隔离和孤独。研究还发现社交隔离对年轻人的影响大于老年人，而在老年人中，共病的影响更为显著。

限制：

研究存在一些限制，包括未能平等地包括所有不同种族群体，AI-ECG年龄估计的固有限制，以及可能影响结果的未测量混杂因素。

结论：这项大型人群队列研究证明了社交隔离与生物年龄加速和死亡风险增加之间的独立关联，即使在控制了人口统计学和临床共病因素之后。

对280,324名患者的社会网络指数（SNI）和平均AI-ECG年龄差距（年）之间关系的调查显示，在所有年龄和性别类别中，与更多社会联系的参与者相比，社会隔离与加速衰老有关。

NO.05

第五篇

第五篇文章是一项关于使用机器学习（ML）结合心理健康数据来提高心血管疾病（CVD）预测准确性的研究，标题为“Improving Cardiovascular Disease Prediction With Machine Learning Using Mental Health Data: A Prospective UK Biobank Study”。以下是文章的核心内容概述：

背景：

心血管疾病（CVD）风险的准确预测对于早期干预至关重要。心理健康问题与CVD之间的复杂关系已被广泛认可，但现有模型常忽略心理因素，依赖于有限的临床和生活方式参数，或在受限的人群子集上开发。

目的：

评估将心理数据整合到新型机器学习方法中对提高CVD预测性能的影响。

方法：

使用英国生物银行（UK Biobank）的数据集（n = 375,145），研究CVD与传统和心理风险因素之间的相关性。开发了一个包含5种ML算法（决策树、随机森林、XGBoost、支持向量机和深度神经网络）的集成ML模型，测试其基于两组训练数据集预测CVD的能力：仅使用传统的CVD风险因素，或结合传统和心理风险因素。

结果：

集成ML模型仅使用传统CVD风险因素时，预测CVD的准确率为71.31%。通过在训练数据中添加心理因素，准确率提高到85.13%。集成ML模型的准确性和鲁棒性超过了所有5种构成学习算法。

结论：

在集成ML模型中整合心理健康评估数据可以显著提高CVD预测模型的准确性，优于仅使用传统风险因素的预测。

讨论：

研究开发了一种新的CVD预测集成ML模型，该模型在训练传统CVD风险因素时提高了CVD预测结果。通过在模型中加入心理健康评估数据，预测准确性显著提高，表明心理评估可以成为提高CVD预测和管理的可靠、易于数字化获取且成本效益的补充。

研究限制：

研究未考虑CVD诊断的时间，难以确定报告的心理障碍是在CVD发展之前还是之后。缺乏药物数据，某些用于治疗精神疾病的药物可能加剧或诱发CVD条件。心理健康问题的数据可能未被标准化心理测试或确诊的精神诊断完全捕捉，因此需要谨慎解释这些自我报告的测量结果。

结论：

研究结果为CVD预测和预防提供了有希望的机会，通过将心理因素纳入CVD风险模型，可以提高预测的准确性，并更有效地识别高风险个体。

我们的集成机器学习方法包括决策树、随机森林、XGBoost、SVM和DNN模型，用于预测心理因素的心血管疾病风险。

NO.06

第六篇

第六篇文章是一篇评论，标题为“Advancing Cardiovascular Disease Prediction Machine Learning Models With Psychological Factors”，由Jacob Krive, PhD和Daniel Chertok, PhD撰写，发表于《JACC: Advances》杂志。文章评论了一项研究，该研究通过添加心理因素来提高基于机器学习（ML）的心血管疾病（CVD）预测模型的准确性。以下是评论的核心内容概述：

背景：

机器学习和人工智能（AI）正在改变心血管护理中健康信息技术（HIT）应用的范式，从基于规则的数据分析和电子病历工作流程管理，转变为增强临床任务。

AI在心血管护理中的应用：

AI可以协助诊断任务和风险评估，使用预测算法依赖于广泛获取的相关数据。AI擅长处理多模态数据，能够结合电子病历、影像、遗传学等多种数据。

研究内容：

研究通过添加心理因素来提高CVD预测模型的性能，这些因素包括心理健康评估指标。研究使用了英国生物银行（UK Biobank）的数据集，包含375,145名个体。研究采用了5种基础模型：决策树、随机森林、XGBoost、支持向量机和深度神经网络，这些模型通过多数投票策略来选择最终预测。

方法分析：

研究观察到与心理健康相关的风险因素之间的相关性较高。通过在临床和人口统计因素上训练模型，然后添加心理因素，模型性能显著提高，AUC从0.73增加到0.85。

临床应用和未来研究方向：

这种扩展的CVD风险评估模型可以在综合医疗保健组织中使用，以开发预防性干预措施。研究可以进一步纳入按社会决定因素分层的风险分析，这在预测和预防历史上处于不利地位群体的负面患者结果方面正成为标准。

结论：

该研究为预测模型领域做出了重要贡献，这些模型旨在识别有重大负面结果风险的门诊患者。心理因素与CVD之间的关系已在临床上得到证实，但还没有ML模型将心理健康因素与CVD预测模型结合到这种程度的准确性和模型训练成功。

评论强调了将心理因素纳入CVD预测模型的重要性，并指出了AI在整合多模态数据和提高预测准确性方面的潜力。

NO.07

第七篇

第七篇文章是一项关于心脏淀粉样变（Cardiac Amyloidosis, CA）的人工智能（AI）筛查研究，标题为“Impact of Case and Control Selection on Training Artificial Intelligence Screening of Cardiac Amyloidosis”。以下是文章的核心内容概述：

背景：

心脏淀粉样变是一种常被低估的疾病，其特征是异常淀粉样蛋白在心肌中沉积，导致重大的发病率和死亡率。

目的：

评估心电图（ECG）波形为基础的AI模型在CA筛查中的性能，并考察不同病例和对照组定义对模型性能的影响。

方法：

研究使用了来自341,989名患者的约130万份ECG数据，使用不同的病例和对照组定义来训练模型，然后在匹配的测试数据集和Cedars-Sinai普通患者人群队列上进行测试。

结果：

在匹配的保留测试数据集上，不同模型的AUC值从0.660到0.898不等。然而，当在Cedars-Sinai普通患者人群队列上测试时，算法的泛化能力不同，AUC值下降到0.467到0.898。在更精细的患者病例上训练的模型在相似构建的测试队列上得到了更高的AUC值。然而，所有模型在Cedars-Sinai普通患者人群队列中的表现相似。使用国际疾病分类（ICD）9/10病例和按年龄和性别匹配的普通人群对照训练的模型在筛查性能上表现最佳。

结论：

模型在人群筛查中的表现相似，与训练中使用的病例严格性无关，表明没有专门淀粉样变诊所的机构也可以在较少策划的CA病例上训练有意义的模型。单独的AUC或其他指标不足以评估深度学习算法的性能。相反，在最具临床意义的人群中进行评估是关键。

讨论：

研究结果表明，即使使用较少策划的病例，模型也能在人群水平上表现良好，这为没有专门淀粉样变诊所的中心提供了训练模型的可能性。研究还强调了在选择病例和对照组时需要考虑的因素，以及这些选择如何影响AI模型的泛化能力和性能评估。

研究限制：

研究受限于ICD-9/10代码的疾病定义限制，以及缺乏外部验证和前瞻性研究来评估这些AI模型的真正临床影响。

结论：

心脏淀粉样变是一个被低估的进展性疾病，其表型异质性较大，因此在训练AI模型进行筛查时需要谨慎。研究结果表明，即使使用较少策划的病例，也能训练出性能相当的AI模型，这为更广泛的筛查应用打开了大门。需要进一步的前瞻性研究和多机构验证来理解模型的实用性并将模型应用于临床实践。

在使用不同的案例和控制定义进行训练时评估模型的性能。这些结果表明，与高度精心策划的案例相比，在较少精心策划的案例上训练的模型在总体水平上表现得一样好，如果不是更好的话。这为没有专门的淀粉样蛋白诊所的中心打开了大门，可以训练可能用作人口筛查工具的模型。

NO.08

第八篇

第八篇PDF文件是一篇关于心脏淀粉样变的人工智能诊断研究的社论评论，标题为《Can AI Find the Needle in a Haystack? The Ongoing Search for Undiagnosed Cardiac Amyloidosis》，由Timothy J. Poterucha, MD, Christopher M. Haggerty, PHD, 和 Pierre Elias, MD撰写。以下是该文件的核心内容：

心脏淀粉样变诊断的重要性：

准确的诊断是医学的基础，心脏淀粉样变曾被认为是非常罕见且致命的疾病，但随着诊断技术的进步，发现该病比之前认为的更为常见。心脏淀粉样变（ATTR-CA）是最常见的亚型，可能存在于高达11%的保有射血分数的心衰住院患者中，也可能存在于1%到2%的普通老年人群中。

ATTR-CA的治疗：

目前的治疗包括使用药物（如tafamidis或acoramidis）稳定转甲状腺素，使用patisiran或inotersen进行基因沉默，甚至通过基因疗法完全删除致病基因。所有这些疗法都是稳定性质的，目前还没有成功的治疗方法能够去除已经沉积的淀粉样蛋白。因此，早期识别疾病并进行治疗至关重要。

人工智能（AI）在诊断中的作用：

研究者们探讨了AI是否能够帮助识别早期可治疗的心脏淀粉样变患者。Vrudhula等人的研究尝试回答这个问题，并更全面地理解患者选择如何影响AI模型的准确性。

AI模型和心电图（ECG）：

该研究使用12导联心电图模型来检测心脏淀粉样变，AI模型通过分析心电图波形来区分心脏淀粉样变病例和对照组，表现良好，AU-ROC高达0.898。该研究还系统地评估了病例和对照选择对模型输出的影响，发现这是AI程序成功或失败的关键因素。

研究结果和趋势：

测试集表现良好并不意味着在更广泛人群中也有良好表现。纳入广泛的对照组至关重要，限制对照组定义的模型不可行。尽管不同病例定义的模型表现指标不同，但都显示出一定的泛化潜力。

研究的局限性：

该研究是单中心研究，其外部泛化能力不确定。该方法的敏感性和特异性可能不支持广泛部署。该研究和其他先前分析是回顾性的，我们不知道这些模型在临床路径中是否能有效运作。

结论：

作者对进行这项复杂、严谨的分析表示祝贺，并强调使用AI检测心脏淀粉样变的研究是一个可推广的发现。下一步是进行临床试验，以确定我们是否能够使用这些技术诊断心脏淀粉样变。

NO.09

第九篇

第九篇文章是一篇关于使用人工智能算法检测严重主动脉瓣狭窄的临床队列研究，标题为《An Artificial Intelligence Algorithm for Detection of Severe Aortic Stenosis: A Clinical Cohort Study》，由Jordan B. Strom, MD, MSC等人撰写。以下是该文件的核心内容：

研究背景：

识别高死亡风险的严重主动脉瓣狭窄（AS）患者使用当前的临床成像方法仍然具有挑战性。

研究目的：

评估一个人工智能决策支持算法（AI-DSA）在资源丰富的医疗环境中增强检测严重AS的能力。

方法：

该AI-DSA训练用于识别与主动脉瓣口面积（AVA）<1 cm²相关的超声心动图表型，使用最少的输入数据（不包括左心室流出道测量）。应用于31,141名美国医疗保险受益者的常规经胸超声心动图（TTE）报告。

结果：

AI-DSA检测与AVA<1 cm²相关的表型表现优异（敏感性82.2%，特异性98.1%，阴性预测值9.2%，c统计量0.986）。除了识别临床严重AS病例外，AI-DSA还识别了额外的1,034（3.3%）个个体，这些个体具有指南定义的中度AS，但具有与严重AS相似的临床和TTE表型，主动脉瓣置换（AVR）的低率（6.6%）。5年死亡率为：已知严重AS患者为75.9%，与严重AS表型相似的患者为73.5%，没有严重AS的患者为44.6%。AI-DSA在识别左心室射血分数降低的患者中的严重AS方面继续表现良好。即使在AVA<1 cm²的患者中，AVR的整体率仍然很低（21.9%）。

结论：

AI-DSA使用超声心动图报告可靠地识别严重AS的表型，不依赖于左心室流出道测量。结果表明，这种AI-DSA可能有助于增强检测有不良结果风险的严重AS个体。

研究限制：

单中心研究，外部泛化能力不确定。方法的敏感性和特异性可能不支持广泛部署。研究是回顾性的，不知道这些模型在临床路径中是否能有效运作。

该图展示了人工智能（AI）模型的推导和外部验证，该模型使用TTE常规TTE报告来识别严重主动脉瓣狭窄（AS）表型，而不需要LVOT测量。模型结果不仅预测了死亡率和AVR的接受情况，而且还确定了另外3%的主要中度AS患者的结果与严重AS患者相似，AVR发生率低。

NO.10

第十篇

第十篇文章是一篇社论评论，标题为《Navigating the Gray Zone: AI Decision Support to Identify Aortic Stenosis Severity》，由Ashish Sarraju, MD和David Ouyang, MD撰写。以下是该文件的核心内容：

人工智能在心脏病学中的潜力：

心脏病学的诊断路径可能会从人工智能（AI）技术中极大受益，AI能够追踪每次心跳的射血分数，识别心脏淀粉样变性，并自动化图像中的错误倾向和繁琐的测量。

AI在心血管诊断中的关键问题：

一个关键问题是哪些心血管疾病或“用例”最适合应用基于AI的决策支持。作者推测，那些对生命或生活质量构成威胁、有明确治疗方法但存在诊断不确定性、风险低估和显著实践差异的情况，可能非常适合开发和研究AI支持的决策支持，以优化诊断、风险评估和潜在的治疗分配。严重的主动脉瓣狭窄（AS）就是这样一种情况。

严重主动脉瓣狭窄的诊断挑战：

有症状的严重AS是一种高危的瓣膜疾病，需要进行主动脉瓣置换（AVR）以改善症状和结果，包括降低死亡率。因此，及时识别严重AS以适当转诊AVR在现代心脏病学实践中变得越来越重要。

AI决策支持算法（AI-DSA）的研究：

Strom等人在JACC: Advances杂志上报告了一项AI决策支持算法的外部验证研究结果，该算法用于识别严重AS的风险档案和表型。这个AI-DSA最初是在澳大利亚631,824个个体的超过100万份超声心动图上训练的。

研究结果：

该研究对31,141名医疗保险受益者进行了研究，其中超过80%是白人，大约52%是女性，平均年龄约为77岁。根据AI-DSA和传统指南确定的严重AS的概率阈值，定义了四组患者。研究发现AI-DSA的整体表现强劲，其识别AVA <1 cm²的区域在接收者操作特征曲线下为0.986。

研究的意义和局限性：

这项研究补充了现有的关于识别和风险分层AS的文献。作者通过在不同的大陆上的外部验证健康系统中研究AI-DSA，强调了他们的方法在风险分层AS方面的稳健性，即使是那些不符合AS经典定义的患者。然而，当前队列仅限于主要是白人的医疗保险注册者，因此这项研究没有特别涉及少见病因（如二叶式AS）和不同人群中的表现。

AI在AS诊断中的未来问题：

未来的几个问题包括AI方法是否能够一致地检测到将从AVR中受益的AS患者，尽管这些患者“漏过”了传统严重AS诊断标准；AI方法是否能够以可扩展和公平的方式统一关于严重AS诊断和AVR转诊的实践差异，从而改善AS结果。

结论：

这项研究表明，基于AI的决策支持有望以预后相关的方式，清晰地界定严重AS的有时模糊的超声心动图定义。

NO.11

第十一篇

第十一篇文章是一篇关于使用机器学习对疑似急性冠状动脉综合征（ACS）患者进行心肌损伤和梗死的表型分析及预后的原创研究文章，标题为《Machine-Learning for Phenotyping and Prognostication of Myocardial Infarction and Injury in Suspected Acute Coronary Syndrome》，由Ehsan Khan, MBBS, MMED (CLIN EPI)等人撰写。以下是该文件的核心内容：

研究背景：

针对疑似急性冠状动脉综合征（ACS）的临床工作需要大量资源。

研究目标：

开发一个机器学习模型，用于数字化表型心肌损伤和梗死，并预测疑似ACS患者30天内的事件。

方法：

训练和测试数据集主要来自电子健康记录，包括在南澳大利亚6家和26家医院出现的疑似ACS患者。使用第四版心肌梗死通用定义（Fourth Universal Deﬁnition of MI, UDMI）对所有指数呈现和30天内死亡和心肌梗死（MI）进行判定。开发了两个诊断预测模型，使用eXtreme Gradient Boosting（XGB）和深度学习（DL）根据第四版UDMI对心肌损伤和梗死进行表型分析。还开发了一个事件预测模型，使用XGB预测30天内死亡或MI的风险。

结果：

训练和测试数据集分别有6,722和8,869名参与者。诊断预测XGB和深度学习模型在区分急性心肌损伤模式与无损伤或慢性心肌损伤模式方面的曲线下面积（AUC）分别为99.2% ± 0.1%和98.8% ± 0.2%。在区分1型心肌梗死（T1MI）与2型心肌梗死（T2MI）或急性非缺血性心肌损伤方面的AUC分别为95.5% ± 0.2%和94.6% ± 0.9%。30天死亡/MI事件预测模型的AUC为88.5% ± 0.5%。

结论：

机器学习模型可以在疑似ACS患者首次就诊时进行数字化表型分析，并预测30天内的后续事件。这些模型需要在随机临床试验中进行外部验证，以评估它们在临床实践中的应用。

这篇研究强调了机器学习在心脏病学诊断和风险评估中的潜力，并提出了未来研究方向。

建立了时间-事件随机生存森林模型来预测患者的预后。综合结果包括主动脉瓣置换术（AVR）或死亡率。采用随机生存森林（RSF）预测1年和5年预后的准确性，在11738例和954例患者的2个外部队列中验证了该算法。基于模型的患者评分显示，高危和低危患者存在不同程度的主动脉瓣狭窄。

NO.12

第十二篇

第十二篇文章是一篇社论评论，标题为《Toward a Holistic Approach in Aortic Stenosis Using Machine-Learning Algorithms》，由Anna Sannino, MD, PHD和Lina Manzi, MD撰写。以下是该文件的核心内容：

主动脉瓣狭窄（AS）的背景：

AS是欧洲和北美需要干预的最常见瓣膜病，随着人口老龄化，其患病率正在增加。目前的欧洲和美国指南推荐对有症状的严重AS患者进行主动脉瓣置换（AVR）。

AS患者的异质性：

AS患者是一个异质性很大的群体，临床、解剖和瓣外特征之间的复杂关系在预后中起着关键作用。

机器学习（ML）在AS风险预测中的应用：

Shimoni等人成功开发了一个使用ML技术的风险预测模型，用于预测所有程度AS患者的结果。该模型利用临床、超声心动图、实验室和药物数据来测试AS预后的时间至事件模型。通过SHAPley Additive exPlanations方法提供了针对AVR和死亡率复合结果的个性化风险评估。

研究方法和结果：

研究者回顾性评估了2008年至2020年间在Kaplan医疗中心接受超声心动图的10,407名AS患者，用于模型训练和内部验证。另外两个患者队列用于外部验证。提出的算法在不同队列间显示出良好的相关性，并且在预测1年和5年的复合终点方面表现良好。

模型简化和风险模型定义：

从81个临床和超声心动图变量的初始模型中，选择了12个变量来简化和定义风险模型。

ML模型的局限性和未来方向：

ML模型仅分析了疾病过程的快照，没有包括识别的预测因子的纵向重复测量。一些公认的AS进展和预后标志物，如脑利钠肽或N末端脑利钠肽片段，没有包含在分析中。该ML模型是否也适用于AS和低射血分数的患者还有待确定。

结论：

Shimoni等人的研究推动了AS领域朝着全面和以患者为中心的方法发展。ML算法的使用增强了识别风险预测因子的能力，有助于对AS患者进行全面表型分析。

NO.13

第十三篇

第十三篇文章是一篇关于使用无监督全自动深度学习技术评估冠状动脉狭窄和高风险斑块的原创研究，标题为《Coronary Artery Stenosis and High-Risk Plaque Assessed With an Unsupervised Fully Automated Deep Learning Technique》，由Abdul Rahman Ihdayhid, MBBS, PHD等人撰写。以下是该文件的核心内容：

研究背景：

冠状动脉计算机断层扫描造影（CCTA）是一种可靠的非侵入性评估冠状动脉狭窄和高风险斑块（HRP）的方法。然而，CCTA的评估过程耗时且需要专业培训，限制了其临床应用。

研究目的：

开发并验证一个能够全自动表征CCTA上狭窄严重程度和HRP的深度学习系统。

方法：

深度学习系统被训练用于评估来自多个中心的570名患者的CCTA扫描。狭窄严重程度被分为>0%，1至49%，≥50%，和≥70%。HRP定义为低密度斑块（<30 HU），正性重塑（直径增加≥10%），和斑点状钙化（<3 mm）。

结果：

深度学习系统在评估狭窄方面达成了93.5%的每血管CCTA报告和数据系统（CAD-RADS）类别内的一致性。对于每血管狭窄的诊断性能非常好，敏感性、特异性、阳性预测值、阴性预测值和曲线下面积（AUC）分别为：>0%狭窄：90.6%，88.8%，83.4%，93.9%，89.7%；≥50%狭窄：87.1%，92.3%，60.9%，98.1%，89.7%。同样，每血管HRP特征的AUC分别为0.80、0.79和0.77，分别对应低密度斑块、斑点状钙化和正性重塑。

结论：

一个全自动无监督的深度学习系统能够快速评估狭窄严重程度，并在CCTA上很好地表征HRP，具有非常好的诊断性能。

对深度学习系统进行训练，以评估来自多个中心的570名患者的心脏计算机断层血管造影（CCTA）扫描的冠状动脉狭窄和高危斑块（左）。然后对769例冠状动脉狭窄患者和45例高危斑块量化患者进行了模型测试。该模型在对冠状动脉狭窄和高危斑块量化的每根血管和每名患者分析中都显示出非常好的诊断性能（右）。

NO.14

第十四篇

第十四篇文章是一篇社论评论，标题为《Evolution or Revolution? AI in Coronary CT Evaluation》，由Kelley R.H. Branch, MD, MSC撰写。以下是该文件的核心内容：

CCTA的发展：

冠状动脉计算机断层扫描造影（CCTA）在过去20年中取得了巨大进步，从一种小众、有些笨重的成像方式转变为快速、高度准确的胸部疼痛评估的1A级指南推荐。

CCTA面临的挑战：

CCTA的快速增长带来了挑战，目前CCTA专家读者数量有限，预计未来几年CCTA订单的激增将使这一问题更加严重。由于CCTA评估复杂病变（包括斑块负担和高风险斑块特征）的需求增加，迫切需要强大而简化的CT冠状动脉评估。

AI在CCTA中的应用：

应用人工智能（AI）和机器学习于CCTA，无论是冠状动脉狭窄还是动脉粥样硬化斑块分析，都是潜在的解决方案。近期研究表明，AI在CCTA评估中具有良好的诊断准确性，并且与专家读者或侵入性冠状动脉造影的结果一致。

Ihdayhid等人的研究：

在JACC: Advances杂志的本期中，Ihdayhid等人提出了一个完全自动化、无监督的AI应用，用于评估CCTA上的冠状动脉狭窄和高风险斑块特征。这项涉及4个中心的研究开发了一个深度学习AI算法，经过训练和验证后，在769名患者（3,012个冠状动脉）的测试队列中进行了测试。研究结果显示，与每血管和每患者的分析一致性分别为71%和55.5%，对于阻塞性冠状动脉疾病（CAD）（>50%狭窄和CAD报告和数据系统3-5）的一致性分别为93.6%和87.1%。

AI技术的发展：

目前的研究表明AI并非万能良药，AI CCTA的诊断准确性措施仍然低于100%，并且在考虑患者、冠状动脉血管或段以及所有狭窄水平或仅阻塞性CAD（>50%或>70%）时变化较大。AI CCTA数据通常与侵入性冠状动脉造影和人类3级CCTA读者的“青铜”标准进行比较，这些标准具有众所周知、描述良好的观察者内和观察者间变异性。

未来方向：

AI CCTA的当前迭代似乎与专家读者相似但并不优于专家读者，因此其主要好处是快速提供定量信息。AI仍受CT不可评估扫描和段的限制，并且可能是CT技术发展而非AI将对此产生积极影响。需要制定和采纳AI CCTA数据报告指南，以促进AI技术的发展和应用。

结论：

AI/机器学习在CCTA评估中的应用在短时间内显示出了使冠状动脉成像更加高效的极大潜力，无论是对于不同水平的读者专长还是对于CAD的类型和程度。类似于Ihdayhid等人的研究对于我们信任和采纳AI在冠状动脉分析中的许多应用至关重要，但仍有额外的工作要做。

NO.15

第十五篇

第十五篇文章是一篇关于使用机器学习对疑似急性冠状动脉综合征（ACS）患者进行心肌损伤和梗死表型分析及预后的原创研究文章，标题为《Machine-Learning for Phenotyping and Prognostication of Myocardial Infarction and Injury in Suspected Acute Coronary Syndrome》，由Ehsan Khan, MBBS, MMED (CLIN EPI)等人撰写。以下是该文件的核心内容：

研究背景：

针对疑似ACS的临床工作需要大量资源，且多达85%的患者最终未被诊断为ACS。

研究目标：

开发一个机器学习模型，用于数字化表型心肌损伤和梗死，并预测疑似ACS患者30天内的事件。

方法：

结果：

结论：

不想错过心脏之声的推送？

戳文章顶部蓝字“哈特瑞姆心脏之声”关注我们

并点击右上角“···”菜单

选择“设为星标”或“置顶公众号”

http://mp.weixin.qq.com/s?__biz=MzA4NzkxMzM5OQ==&mid=2658592065&idx=1&sn=487f57808ae2b5bbafae3a668a1956c7

哈特瑞姆心脏之声

哈特瑞姆心脏医疗集团旗下的官方宣传公众号，定位于“心血管医生的继续教育平台”。每日推送涵盖高血压、心律失常、冠心病、心衰等心血管诊疗各个领域的专业内容，包括基础知识、实际操作、典型病例、最新进展等。