【心研精粹】JACC advanced 期刊9月下的文献解读（下）

第十六篇文章是一篇社论评论，标题为《Machines Running for Phenotyping of Myocardial Injury: The End to an Endless Conundrum?》，由Johannes T. Neumann, MD, PHD和Betül Toprak, MD撰写。以下是该文件的核心内容：

心肌损伤是当心脏的一个关键蛋白质水平异常升高时的情况，这可以是急性的或慢性的。如果伴随心脏血液供应不足的证据，这可能被诊断为心肌梗死。区分这些类型对于选择正确的治疗方法很重要。

机器学习在心血管病领域很有用，它能帮助分析大量的医疗数据，比如心脏图片和心电图，来更好地理解心脏状况。Khan的研究团队开发了一个特别的机器学习模型，这个模型能帮助医生识别心肌损伤的类型，并预测心脏有问题的患者在30天内可能出现的情况。

这个模型在帮助医生做出诊断和预测未来心脏问题方面做得很好。它主要依靠肌钙蛋白相关的数据来工作。不过，研究也面临一些挑战，比如电子健康记录中的数据可能不完整或有误。

总的来说，这项研究显示了机器学习在帮助医生诊断和治疗心脏问题方面的巨大潜力。

第十七文章是一篇关于数字孪生（Digital Twin, DT）技术在管理2型糖尿病（Type 2 Diabetes, T2D）患者中高血压（Hypertension, HTN）的原创研究文章，标题为《Digital Twin in Managing Hypertension Among People With Type 2 Diabetes: 1-Year Randomized Controlled Trial》，由Paramesh Shamanna, MD等人撰写。以下是该文件的核心内容：

关于数字孪生技术在管理2型糖尿病患者中高血压的研究，Paramesh Shamanna等人进行的随机对照试验提供了重要的见解。这项研究分析了数字孪生技术（DT）与标准护理（SC）在控制血压、减少抗高血压药物使用、促进高血压缓解和改善微量白蛋白尿方面的效果。

Digital Twin平台使用物联网传感器与其他设备和系统连接和交换数据，以监测健康状态。一旦数据被人工智能分析，每个参与者都会得到一系列精确的干预。这些建议由临床团队和健康教练进行审查，然后通过应用程序作为技术推送，由健康教练以数字人性化的方式进行虚拟传递。健康教练通过应用程序、虚拟会议或电话提供额外的按需咨询和支持。

研究发现，使用人工智能支持的数字孪生技术的DT组在1年后在降低收缩压和舒张压方面显著优于SC组。此外，DT组中有68.2%的参与者停止了抗高血压药物的使用，而SC组中没有。在高血压患者中，DT亚组在正常血压和高血压缓解的比率上显著高于SC亚组。同时，DT组在1年后达到正常白蛋白尿的比率也高于SC组。

这些结果表明，人工智能支持的数字孪生技术在降低血压、减少抗高血压药物使用以及在高血压和2型糖尿病患者中诱导高血压缓解和正常白蛋白尿方面，比标准护理更有效。这项研究强调了数字孪生技术在管理2型糖尿病患者中高血压的潜力，并提出了未来研究的方向，包括长期研究和更大规模的试验来验证这些发现。

第十八文章是一篇社论评论，标题为《Revolutionizing Hypertension Management in Type 2 Diabetes: The Promise of Digital Twin Technology》，由Anjan Tibrewala, MD, MS和Dipti Itchhaporia, MD撰写。以下是该文件的核心内容：

数字健康转型正在改变我们照顾慢性病患者的方式，比如高血压和2型糖尿病。一种叫做数字孪生的技术，通过分析各种健康数据，帮助医生更好地了解病人的状况，并提供个性化的治疗建议。

Shamanna博士的研究展示了这种技术在现实世界中的应用。他们的研究发现，使用数字孪生技术的患者在一年后血压降低得更明显，而且更多的人能够减少甚至停止使用抗高血压药物。

这种技术的优势在于它能提供更频繁的病人互动，比如通过手机提醒和虚拟健康咨询，帮助病人更好地管理自己的健康。不过，这项研究也有它的局限性，比如参与人数不多，研究时间不长，这可能影响了结果的可靠性。

总的来说，这项研究显示了数字孪生技术在帮助管理慢性病方面的巨大潜力，但也提醒我们还需要更多的研究来验证其效果。

第十九篇文章是一篇关于使用机器学习算法对家族性高胆固醇血症（FH）进行诊断和管理影响的原创研究文章，标题为《Implications of Diagnosis Through a Machine Learning Algorithm on Management of People With Familial Hypercholesterolemia》，由Kain Kim, BA等人撰写。以下是该文件的核心内容：

家族性高胆固醇血症（FH）是一种常见的遗传病，可能导致早期心脏病。然而，这种病经常被忽视或误诊。Kain Kim等人的研究探索了一种新方法——使用机器学习算法来帮助诊断FH。

研究团队在一个大型医疗中心使用这种算法，回顾性地分析了患者的电子医疗记录。结果发现，算法在5.5年内帮助识别了471名可能患有FH的患者，其中121名之前没有被诊断出来。

有趣的是，那些已经被诊断为FH的患者，他们在接受脂质谱监测、使用降脂药物、看心脏病专家以及进行冠状动脉钙化评分或脂蛋白(a)检测方面更频繁。

这项研究表明，使用机器学习算法可能有助于找出未被诊断的FH患者，并改善他们的治疗。这为未来研究提供了新方向，比如在其他人群中验证这些发现，并探讨如何将这种算法更好地应用于日常医疗实践中。

第二十篇文章是一篇社论评论，标题为《Familial Hypercholesterolemia Detection Through Machine Learning Algorithms: A Low-Hanging Fruit》，由Laurens F. Reeskamp, MD, PHD等人撰写。以下是该文件的核心内容：

家族性高胆固醇血症（FH）是一种常见的遗传病，会导致早期心脏病。尽管这种病很常见且有有效的治疗方法，但许多患者仍然没有得到诊断和治疗。

Laurens F. Reeskamp等人的社论评论指出，机器学习算法为检测FH提供了新方法。这些算法能够快速分析医疗记录，帮助找出可能患有FH的患者。

特别提到的是FIND FH模型，这是一种由家族心脏基金会开发的筛查工具。它已经在2019年经过训练，并用于美国的几个大型医疗系统中。最近，Kim等人的研究使用这个模型在一个大型医疗系统中发现了471名可能的FH患者。

这项研究发现，通过机器学习算法新识别的患者在治疗和监测方面与已知的FH患者存在差异。不过，两组患者在发生严重心脏病方面没有太大区别。

总的来说，这篇评论强调了机器学习算法在帮助识别FH患者方面的潜力，并建议未来研究应关注如何将这些工具更好地应用于日常医疗实践中。

第二十一篇文章是一篇关于使用人工智能增强心电图（AI-ECG）对心脏重症监护病房（CICU）患者高钾血症进行风险分层的原创研究文章，标题为《Mortality Risk Stratification Utilizing Artificial Intelligence Electrocardiogram for Hyperkalemia in Cardiac Intensive Care Unit Patients》，由David M. Harmon, MD等人撰写。以下是该文件的核心内容：

在心脏重症监护病房（CICU）中，高钾血症是一个严重的健康问题，可能导致患者死亡。David M. Harmon等人的研究探讨了使用人工智能增强心电图（AI-ECG）来预测高钾血症并评估患者的死亡风险。

研究包括了11,234名在Mayo Clinic CICU接受治疗的患者。这些患者在入院时都进行了心电图和血钾水平的检测。研究使用AI来分析心电图，预测患者是否可能患有高钾血症。

研究发现，AI-ECG在约三分之一的CICU患者中预测出高钾血症。这些患者中，有实验室检测确认的高钾血症的患者住院死亡率和1年内的生存率都较低。

这项研究显示，即使实验室检测的血钾水平正常，AI-ECG预测的高钾血症也与更高的住院死亡率和更低的1年生存率相关。这表明AI-ECG可能在危重病患者中实现快速个体化风险分层，超越了单纯依赖实验室值的方法。

总的来说，这项研究强调了AI-ECG在CICU患者中预测高钾血症和死亡风险的潜力，为未来的研究提供了新的方向，包括在其他患者群体中验证这一方法，并研究如何在日常医疗实践中更好地应用它。

第二十二篇文章是关于在心脏重症监护病房（CICU）中使用深度学习（DL）进行心电图（ECG）风险分层的研究。以下是文章的核心内容：

在心脏重症监护病房（CICU）中，患者的病情通常非常严重，他们面临着高风险的心血管事件。因此，医生需要频繁地检查他们的血液、心电图和影像学结果，以及持续监测他们的生理状况。

深度学习（DL）是一种强大的技术，可以帮助自动化和标准化这些生理数据的解释，尤其是心电图。在这项研究中，研究人员使用了一个预先设计的ECG-DL模型，这个模型最初用于识别高钾血症，现在被用来预测CICU患者的死亡率。

研究包括了11,324名CICU患者，这些患者同时进行了心电图和血钾水平的检测。研究发现，即使实验室检测的血钾水平正常，但ECG-DL模型预测的高钾血症与更高的住院死亡率相关。这表明，ECG-DL模型可能提供了一些额外的信息，这些信息超出了单纯的高钾血症检测结果。

这项研究显示，ECG-DL模型可能不会取代传统的血钾检测，但在CICU中，由于心电图容易获取且快速执行，它可能提供比现有风险评分更快速的风险评估。

总的来说，这项研究强调了深度学习在CICU中ECG风险分层的潜力和挑战，并提出了未来研究的方向，包括使用更易于解释的模型来进一步阐明这些结果。

第二十三篇文章是关于一项名为“Artificial Intelligence–Enhanced Electrocardiography Identifies Patients With Normal Ejection Fraction at Risk of Worse Outcomes”的研究，发表在《JACC: Advances》2024年第3卷。研究团队通过使用人工智能（AI）增强的心电图（ECG）模型来识别具有正常射血分数（EF）但未来可能出现低射血分数的患者。以下是文章的核心内容：

心力衰竭是一个全球性问题，影响着超过6400万人。在这项研究中，研究人员使用了一种新的人工智能增强的心电图（ECG）模型来帮助识别那些射血分数正常但未来可能降低的患者。

研究包括了100,586名患者，其中大多数人的ECG结果正常，但有一小部分人被AI-ECG模型识别为有风险。这些患者的超声心动图检查显示，他们中有很多人存在心脏异常。

研究发现，这些被AI-ECG模型识别为有风险的患者，在接下来的2.7年中，死亡风险比其他人高64%。这表明，即使他们的射血分数目前正常，AI-ECG模型可能帮助他们更早地发现潜在的心脏问题。

这项研究的重要性在于，它展示了AI-ECG如何帮助医生在患者的心脏问题变得严重之前就发现它们。这样，医生可以更早地进行干预，采取预防措施，以降低患者的死亡风险。

总的来说，这项研究强调了AI在心脏病学中应用的重要性，特别是在心力衰竭风险评估方面。未来的研究可能会进一步探索如何将这种技术更好地应用于日常医疗实践中。

第二十四篇文章是关于一项名为“Automated Assessment of Right Atrial Pressure From Ultrasound Videos Using Machine Learning”的研究，发表在《JACC: Advances》2024年第3卷。研究团队开发了一种基于机器学习的方法，用于从超声心动图视频中自动评估右心房压力（RAP）。以下是文章的核心内容：

心力衰竭患者中，早期发现血容量超负荷非常关键，因为这可能导致严重的健康问题和增加死亡率。目前，医生通常使用超声心动图来估计患者的右心房压力（RAP），但这需要经验丰富的医生来准确解读。

在这项研究中，研究人员开发了一种新的机器学习方法，它可以自动从超声心动图视频中估计RAP。这个方法使用了超过15,000个超声视频进行训练，并与专家的评估和实际的导管测量结果进行了比较。

研究发现，这个机器学习模型在估计RAP方面做得非常好，与专家的评估结果一致性达到了80.3%。这意味着这个模型可能帮助医生更快速、更准确地评估患者的RAP，而无需进行侵入性的导管测量。

这项研究的意义在于，它可能帮助改善心力衰竭患者的诊断和治疗。通过自动化的RAP评估，医生可以更快地了解患者的血容量状态，从而做出更好的治疗决策。

总的来说，这项研究展示了机器学习在心脏病学中的应用潜力，特别是在心力衰竭患者的血容量状态评估方面。未来的研究可能会进一步探索如何将这种技术更好地应用于日常医疗实践中。

二十五篇文章是关于一项名为“Echocardiogram Vector Embeddings Via R3D Transformer for the Advancement of Automated Echocardiography”的研究，发表在《JACC: Advances》2024年第3卷。研究团队使用R3D（3-Dimensional ResNet）变换器来提取超声心动图（echocardiogram）的向量嵌入，以促进自动化超声心动图的发展。以下是文章的核心内容：

射血分数（EF）是衡量心脏功能的一个重要指标，对于ICU中的患者来说尤其重要。目前，医生通常通过超声心动图来估计EF，但这需要经验和专业知识，而且结果可能会有很大的差异。

在这项研究中，研究人员使用了一种叫做R3D变换器的新技术来从超声心动图中提取向量嵌入。这些向量嵌入可以帮助计算机更好地理解和分析超声心动图，从而更准确地估计EF。

研究人员在超过10,000个超声心动图上训练了他们的模型，并取得了很好的效果。他们的模型能够以87.5%的准确率将EF分类为健康或不健康，这与其他研究的性能相当。

这项研究的意义在于，它为心脏病学研究提供了一个新的工具。通过使用这些向量嵌入，研究人员可以开发出更准确、更可靠的自动化超声心动图分析工具，从而改善心力衰竭患者的诊断和治疗。

总的来说，这项研究展示了R3D变换器在自动化超声心动图分析中的应用潜力。未来的研究可能会进一步探索如何将这种技术更好地应用于日常医疗实践中。

第二十六篇文章是关于一项名为“Artificial Intelligence Prediction of Cardiovascular Events Using Opportunistic Epicardial Adipose Tissue Assessments From Computed Tomography Calcium Score”的研究，发表在《JACC: Advances》2024年第3卷。研究团队利用人工智能（AI）技术分析心包外脂肪组织（EAT）特征，以预测心血管事件的风险。以下是文章的核心内容：

心血管疾病是全球主要的健康问题，目前的风险评估方法有时无法准确预测谁可能会发生心脏病或中风。心包外脂肪组织（EAT）是心脏周围的一种脂肪，与心血管疾病风险有关。

在这项研究中，研究人员使用AI技术分析了EAT的特征，以预测心血管事件的风险。他们研究了400名接受心脏CT检查的患者，并使用AI对EAT进行了详细分析。

研究结果显示，通过分析EAT的特征，研究人员能够更好地预测心血管事件的风险。他们的方法比传统的风险评估工具更准确，这可能会帮助医生更早地识别高风险患者，并采取预防措施。

总的来说，这项研究展示了AI技术在分析心脏周围脂肪以预测心血管疾病风险中的应用潜力。未来的研究可能会进一步探索如何将这种技术更好地应用于日常医疗实践中。

第二十七篇文章是关于一项名为“Ensemble Modeling of Multimodal Electrocardiogram and Echocardiogram Data Improves Quantitative Assessment of Right Ventricular Function”的研究，发表在《JACC: Advances》2024年第3卷。研究团队探索了如何通过结合心电图（ECG）和超声心动图（Echo）数据来提高右心室功能定量评估的准确性。以下是文章的核心内容：

心脏的右心室负责将血液泵送到肺部，但目前的检查方法在评估右心室功能方面存在一些限制。在这项研究中，研究人员尝试了一种新方法，通过结合心电图和超声心动图的数据来更准确地评估右心室的功能。

研究结果显示，当使用这两种检查方法的数据时，可以更好地预测右心室功能是否低下。这种新方法在预测准确性方面优于仅使用超声心动图的传统方法，尤其是在图像质量较差的情况下。

总的来说，这项研究展示了结合心电图和超声心动图数据在评估心脏右心室功能方面的潜力。未来的研究可能会进一步探索这种方法在更多患者群体中的应用，以及如何将其更好地整合到日常医疗实践中。

(A)以5次重复交叉验证测试集的平均1个标准差（灰色）表示的心电图和超声模型（蓝线）和仅超声模型（绿线）的接收机工作特性。(B)平均精确召回曲线与上图相似。基线患病率用红色虚线标出。

第二十八篇文章是关于一项名为“Artificial Intelligence Electrocardiogram-Derived Heart Age Predicts Long-Term Mortality After Transcatheter Aortic Valve Replacement”的研究信件，发表在《JACC: Advances》2024年第3卷。研究团队探讨了人工智能（AI）从12导联心电图（ECG）中得出的心脏年龄与经导管主动脉瓣置换（TAVR）后长期死亡率之间的关系。以下是文章的核心内容：

心脏年龄是指心脏的健康状况所对应的年龄，它可能与一个人的实际年龄不同。在这项研究中，研究人员使用了一种AI算法来分析12导联心电图，并估计患者的心脏年龄。他们发现，那些心脏年龄大于实际年龄的患者，在接受经导管主动脉瓣置换手术后，三年内的死亡风险更高。

这项研究的重要性在于，它提供了一个新的方法来评估接受TAVR手术的患者的心脏健康状况。通过分析心电图，医生可以更准确地预测患者术后的长期生存情况，从而采取更好的治疗和监测措施。

总的来说，这项研究展示了AI技术在心脏病学中的应用潜力，特别是在预测经导管主动脉瓣置换手术后的长期死亡率方面。未来的研究可能会进一步探索如何将这种技术更好地应用于日常医疗实践中。

第二十九篇文章是关于一项名为“Evaluation of AI-Assisted Stethoscope for Cardiac Time Intervals in Pediatric Patients”的研究信件，发表在《JACC: Advances》2024年第3卷。研究团队评估了人工智能（AI）辅助听诊器在测量儿童心脏时间间隔（CTIs）方面的可靠性，并将其与超声心动图进行了比较。以下是文章的核心内容：

心脏听诊是医生检查心脏健康的一种传统方法，但随着科技的发展，这种方法似乎正在变得不那么重要。然而，研究人员发现，通过加入AI技术，传统的听诊器可以变得更加有用。在这项研究中，他们测试了一种新型的AI增强听诊器，看看它是否能够准确测量儿童心脏的不同时间间隔。

研究结果显示，这种AI辅助听诊器在测量心脏时间间隔方面做得相当不错，其结果与更复杂的超声心动图技术相当接近。这表明，即使在资源有限的环境中，这种新型的听诊器也能帮助医生更好地监测儿童的心脏健康。

总的来说，这项研究展示了AI技术在改善传统医疗工具方面的潜力。未来的研究可能会进一步探索如何将这种技术更好地应用于日常医疗实践中，特别是在照顾心脏病患者方面。

第三十篇文章是关于一项名为“QuLF-CT: A Radiomics-Based Tool for Quantification of Liver Fat Fraction on Cardiac CT”的研究信件，发表在《JACC: Advances》2024年第3卷。研究团队开发了一种基于放射组学的工具，用于在心脏CT上量化肝脏脂肪分数。以下是文章的核心内容：

肝脏脂肪含量的增加与多种健康问题有关，包括心脏病和肝病。因此，能够准确测量肝脏脂肪含量对于预防和治疗这些疾病非常重要。在这项研究中，研究人员开发了一种名为QuLF-CT的新工具，它可以通过分析心脏CT扫描来估计肝脏中的脂肪含量。

研究结果显示，QuLF-CT在估计肝脏脂肪含量方面做得相当好，其结果与更复杂且侵入性较大的检测方法相当接近。这意味着，医生可以使用QuLF-CT来帮助诊断那些可能因肝脏脂肪增加而面临健康风险的患者，而无需进行更复杂的检查。

总的来说，这项研究展示了放射组学在改善医疗检测方面的潜力。未来的研究可能会进一步探索如何将这种技术更好地应用于日常医疗实践中，特别是在预防和治疗心脏病和肝病方面。

第三十一篇文章是关于风险资本在推动心血管数字健康创新中的作用的观点文章，标题为“Venture Capital’s Role in Driving Innovation in Cardiovascular Digital Health”，发表在《JACC: Advances》2024年第3卷。以下是文章的核心内容：

近年来，数字健康领域得到了大量的投资，特别是风险资本的支持。这些投资不仅提供了必要的资金，还提供了指导和战略决策的影响力，帮助初创公司快速发展并创新。心血管数字健康领域也不例外，许多初创公司在这一领域的投资支持下，开发了可穿戴设备、移动健康应用、远程医疗和个性化医疗工具等技术。

然而，这种投资也带来了一些挑战。首先，初创公司可能过于关注消费者和收入增长，而忽视了医疗保健的质量。其次，这些技术的价格可能不稳定，给政策制定者和采用者带来了关于获取和权衡的艰难决策。

总的来说，风险资本在心血管数字健康领域的投资为创新解决方案的提供带来了巨大的潜力，但同时也需要注意质量控制、隐私问题和严重心血管疾病的挑战。未来的研究可能会进一步探索如何将这种投资更好地应用于日常医疗实践中，特别是在改善患者护理质量、效率和可及性方面。

第三十二篇文章是关于人工智能（AI）在心力衰竭领域的当前状态和未来展望，特别是涉及到多模态大型语言模型的应用。以下是文章的核心内容：

AI技术在医疗保健领域，特别是在心力衰竭的管理中，正变得越来越重要。这些技术可以帮助医生更准确地诊断疾病，为患者提供更好的治疗方案，并减轻医生的工作负担。

例如，AI可以帮助分析患者的电子健康记录，识别高风险特征，并预测疾病的进展。通过使用可穿戴传感器，AI还可以监测患者的健康状况，并及时发出警报，以便及时干预。

然而，AI技术的应用也面临一些挑战。首先，许多AI工具在临床护理中的整合和应用存在差距。其次，缺乏前瞻性随机研究，模型性能、偏见和漂移等问题，导致临床医生对AI技术的真正益处持怀疑态度。此外，模型治理、报销方案、互操作性、隐私和个人信息保护、对AI的信任以及误报结果的处理等挑战也需要解决。

总的来说，AI技术在心力衰竭管理中的应用具有巨大的潜力，但同时也需要注意质量控制、隐私问题和严重心血管疾病的挑战。未来的研究可能会进一步探索如何将这种技术更好地应用于日常医疗实践中，特别是在改善患者护理质量、效率和可及性方面。