*仅供医学专业人士阅读参考

AI能否成为HF诊断的利器？

整理：静心

在资源受限的中低收入国家，心力衰竭（HF）诊断面临重重挑战。在此背景下，一个大胆的设想浮现：古老而经典的心电图技术，能否在人工智能（AI）的赋能下焕发新生，成为HF诊断的强劲助力？

来自墨西哥城国家心脏病学研究所的Antonio Jordan教授，将为我们剖析这一设想的可行性。他指出，AI以其超凡的数据解析能力，重塑心电图诊断的边界，为HF的早期发现与治疗赢得宝贵时间。然而，随之而来的数据隐私保护、技术普及障碍及医疗资源再分配等问题，亦是无法回避的考验。

图1：Antonio Jordan教授作精彩报告

传统心电图与现代AI，能擦出什么火花?

Antonio Jordan教授开篇简明扼要地介绍了AI的概念，即系统或机器执行原本需人类智能完成的任务的能力。其中，机器学习作为AI的核心驱动力，使算法能够自我学习并持续优化，其分支包括监督学习与非监督学习，后者尤具探索价值。深度学习，作为机器学习的高级形式，通过构建复杂的层次网络，使机器能够自主推导出结论。

HF，这一全球性健康难题，正深刻影响着超过四千万人的生活质量。其患病率急剧上升，伴随着住院率和死亡率的攀升，在资源匮乏的环境下，HF的诊断尤为艰难，因为诸如超声心动图和利钠肽检测等先进手段并非随处可得。此时，心电图作为一种普及广泛且成本效益高的诊断工具，其在HF诊断中的潜力逐渐显现。

然而，HF的高误诊率不容忽视，它不仅延误了患者的治疗时机，也导致了医疗资源的低效利用。因此，深入评估心电图在HF检测中的有效性，对于优化诊疗路径、提升诊断效率至关重要。幸运的是，随着AI技术的迅猛发展，特别是机器学习和深度学习在医疗领域的深入应用，为HF诊断开辟了新的路径。

图2清晰展示了自2018年以来，AI及相关技术在医疗领域的研究热度持续高涨，其中冠状动脉疾病、HF和心律失常成为研究热点。AI不仅助力疾病诊断，还在预后评估中展现出巨大潜力。这些进展为心电图在HF诊断中的创新应用提供了坚实的技术支撑和广阔的探索空间。

图2：AI在心血管领域的作用

AI赋能心电图：革新HF诊断方式

在探讨HF诊断的最新进展时，Antonio Jordan教授着重强调了AI技术的非凡潜力。他表示，通过展示精细的超声心动图图像，可直观呈现了HF的典型特征，尤其是射血分数降低的情况（如图3）。

然而，他随即提出了一个更具启发性的问题：在AI的赋能下，简便且广泛普及的心电图能否在HF诊断中发挥更大作用？

针对这一问题，Antonio Jordan教授引用了2020年的一项研究[1]，该研究展示了AI在评估心电图以识别左心室收缩功能不全患者方面的卓越表现。AI技术不仅实现了85%的高准确率，其诊断性能（ROC曲线下面积达到0.88）甚至超越了传统的BNP检测方法，这一发现无疑揭示了AI在HF诊断领域的巨大应用前景。

不仅如此，另一项研究[2]更是将AI的应用推向了新的高度。该研究开发的深度学习算法不仅成功识别了左心室功能障碍，还实现了对右心室功能障碍的精准识别，为全面评估心脏功能提供了可能。这一突破性进展，无疑为HF的精准诊断注入了新的活力

特别值得一提的是，近期一项研究[3]在AI辅助心电图诊断HF方面取得了更加显著的成果。该研究团队开发的人工智能模型，经过超声心动图的严格验证，不仅能够准确区分舒张功能障碍的不同程度，还展现出了预测患者未来死亡率的强大能力。这一发现不仅提升了诊断的精确性，更为制定个性化的治疗方案提供了有力的科学依据，标志着HF管理领域的一大步前进。

图3：AI诊断

益处与风险并存！

Antonio Jordan教授深入阐述了AI在HF诊断中的显著能力，这主要归功于其卓越的图像识别与分析技术。显著图技术的运用尤为关键，它能精确标注心电图中的关键要素，如P波、QRS持续时间、QT间期及T波电轴等，这些要素对预测心脏事件风险至关重要。然而，尽管成果显著，AI在临床实践中的广泛应用仍面临重重挑战。

首要障碍在于高质量大型随机临床试验证据的匮乏。现有研究虽证实了AI在提高低射血分数诊断率上的有效性，但数据尚不足以全面支撑其在临床中的广泛应用。其次，算法的外部验证问题亟待解决。尤其对于中低收入国家，AI算法的需求迫切，但资源限制导致难以在特定人群中进行充分验证，这影响了其普及与应用。

再者，数据偏差与监管问题亦不容忽视。种族、性别、年龄等差异导致的模型性能偏差，提示我们在AI开发与应用中需充分考虑这些因素，以确保其公平性和有效性。同时，加强数据处理监管，完善相关政策，对规范AI在医疗领域的应用至关重要。

Antonio Jordan教授表示，在墨西哥等资源受限地区，中心正积极探索基于热成像的AI分析技术以辅助HF诊断。该技术通过面部温度梯度差异评估心脏灌注情况，虽展现出一定诊断敏感性，但阳性预测值仍有待提升，这进一步凸显了AI技术在实际应用中的复杂性和挑战。

总结

最后，Antonio Jordan教授总结道，AI在HF诊断领域的前景广阔，但要实现其在日常临床中的广泛应用，还需克服诸多挑战。期待通过持续的研究、验证与监管努力，推动AI技术不断成熟与完善，最终使其成为医疗体系中不可或缺的一部分，助力我们更高效地处理数据、标准化诊断流程、实现早期诊断，并改善患者的生活质量与预后。

参考文献：

[1]Adedinsewo D, Carter R E, Attia Z, et al. Artificial intelligence-enabled ECG algorithm to identify patients with left ventricular systolic dysfunction presenting to the emergency department with dyspnea[J]. Circulation: Arrhythmia and Electrophysiology, 2020, 13(8): e008437.

[2]Vaid A, Johnson K W, Badgeley M A, et al. Using deep-learning algorithms to simultaneously identify right and left ventricular dysfunction from the electrocardiogram[J]. Cardiovascular Imaging, 2022, 15(3): 395-410.

[3]Lee E, Ito S, Miranda W R, et al. Artificial intelligence-enabled ECG for left ventricular diastolic function and filling pressure[J]. npj Digital Medicine, 2024, 7(1): 4.

《2024 ESC 血压升高与高血压管理指南》解读会议，明晚8点，精彩来袭！

责任编辑：叶子

*"医学界"力求所发表内容专业、可靠，但不对内容的准确性做出承诺；请相关各方在采用或以此作为决策依据时另行核查。