AI 能帮助预测哪些心力衰竭患者在一年内会恶化吗？

Source: MIT News - AI

心力衰竭、历史与现代管理

心力衰竭表现为心肌衰弱或受损，导致患者肺部、腿部、脚部以及身体其他部位逐渐积液。该疾病为慢性且不可治愈，常伴随心律失常或突发心脏骤停。数个世纪以来，放血和使用水蛭是首选治疗方法，欧洲的理发外科医生尤为著名，当时医生很少对患者进行手术。

进入21世纪后，心力衰竭的管理已经明显摆脱了中世纪的做法。如今，患者通常会接受健康生活方式的改变、药物治疗，有时还会使用起搏器。然而，心力衰竭仍是导致发病率和死亡率的主要原因之一，给全球医疗系统带来沉重负担。

“约有一半被诊断为心力衰竭的患者会在诊断后五年内死亡，” MIT 博士生 Teya Bergamaschi（隶属 Nina T. 与 Robert H. Rubin 教授实验室）以及新论文的共同第一作者 Collin Stultz 如是说，该论文提出了一种用于预测心力衰竭的深度学习模型。“了解患者在住院后的病情走向对于分配有限资源非常重要。”

PULSE‑HF 论文

该论文 发表于《Lancet eClinical Medicine》，作者来自 MIT、Mass General Brigham 和哈佛医学院。论文展示了 PULSE‑HF 的研发与测试结果（大致意为“根据心衰患者的心电图预测左心室收缩功能的变化”）。

• 项目在 Stultz 实验室进行，该实验室隶属于 MIT Abdul Latif Jameel 健康机器学习诊所。
• 该模型在三个患者队列中进行回顾性测试：马萨诸塞州总医院、布莱根和妇女医院，以及 MIMIC‑IV（公开可用的数据集）。
• PULSE‑HF 能准确预测 左心室射血分数 (LVEF) 的变化——即每次心跳左心室泵出的血液比例。

“健康人的心脏每次跳动会将左心室约 50 %–70 % 的血液泵出——低于此值通常被视为潜在问题的信号，” Tiffany Yau（MIT Stultz 实验室的博士生、PULSE‑HF 论文的共同第一作者）解释道。“该模型接受一段 心电图（electrocardiogram），并输出预测：在未来一年内射血分数是否会降至 40 % 以下——这是心衰最严重的亚组。”

临床意义

• 如果 PULSE‑HF 预测在一年内射血分数可能下降，临床医生可以将该患者列为随访重点。
• 低风险患者可以减少医院就诊次数以及连接十二导联心电图十个电极所需的时间。
• 该模型可在资源匮乏的环境中部署（例如缺乏心脏超声医师进行日常超声检查的农村诊所）。

“最大的区别在于 [PULSE‑HF] 与其他心衰 ECG 方法不同，它不是用于检测，而是进行 forecasting，”Yau 说。论文指出，迄今为止，还没有其他方法能够预测心衰患者未来的 LVEF 下降。

模型性能

• 研究人员使用 area under the receiver operating characteristic curve (AUROC) 来评估性能。
• 在所有三个患者队列中，AUROC 的范围为 0.87 到 0.91。

还构建了 PULSE‑HF 的单导联版本，仅需一个电极。虽然 12 导联心电图通常更为全面，但单导联模型的表现 相当 于 12 导联版本。

数据挑战

• 收集、处理和清洗 ECG（心电图）和超声心动图数据集是一个主要难题。
• 用于训练的数据标签（未来的左心室射血分数 LVEF）并不总是容易获取。
• 超声心动图报告通常是 PDF 格式；将其转换为纯文本（TXT）文件会产生换行和格式问题，阻碍模型训练。
• 真实环境中的伪影——如患者不安或导联松动——会给数据增加噪声。

“有很多信号伪影需要清理，” Bergamaschi 说。“这简直是一个永无止境的兔子洞。”

虽然更先进的过滤方法可以提升信号质量，团队认识到数据清洁度与实际可用性之间的权衡。

“你会在什么时候停止？” Yau 问道。“你必须考虑使用场景——让模型在稍微有点混乱的数据上运行是否更容易？因为它很可能会是那样。”

未来方向

研究人员预计 PULSE‑HF 的下一步将是对真实患者进行前瞻性测试，这些患者的未来射血分数未知。这将有助于验证该模型在日常临床实践中的实用性。

ing clinical AI tools like PULSE‑HF over the finish line, including the possible risk of prolonging a PhD by another year, the students feel that the years of hard work were worthwhile.  

“I think things are rewarding partially because they’re challenging,” Bergamaschi says. “A friend said to me, ‘If you think you will find your calling after graduation, if your calling is truly calling, it will be there in the one additional year it takes you to graduate.’ … The way we’re measured as researchers in [the ML and health] space is different from other researchers in ML space. Everyone in this community understands the unique challenges that exist here.”  

“There’s too much suffering in the world,” says Yau, who joined Stultz’s lab after a health event made her realize the importance of machine learning in health care. “Anything that tries to ease suffering is something that I would consider a valuable use of my time.”