AI能否帮助预测哪些心力衰竭患者会在一年内病情恶化？

<p dir="ltr">心力衰竭以心肌减弱或受损为特征，会导致患者肺部、腿部、足部及其他部位逐渐积液。该疾病呈慢性且无法治愈，常引发心律失常或心源性猝死。在长达数个世纪的时间里，放血和水蛭疗法一直是首选治疗方案，欧洲理发师外科医生曾广泛施行此法，当时医生极少为患者进行手术。</p><p dir="ltr">进入21世纪，心力衰竭的管理已告别了中世纪式的粗放模式：如今，患者通常通过调整健康生活方式、服用处方药物以及必要时植入起搏器来进行综合治疗。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了沉重负担。</p><p dir="ltr">“约有一半确诊为心力衰竭的患者在诊断后五年内死亡，”MIT研究员Teya Bergamaschi表示，她是Nina T.和Robert H. Rubin教授<a href="https://jclinic.mit.edu/team-member/collin-stultz/">Collin Stultz</a>实验室的博士生，也是介绍该心力衰竭预测深度学习模型的新论文的共同第一作者。“了解患者在出院后的预后情况，对于合理分配有限医疗资源至关重要。”</p><p dir="ltr">这篇由MIT、Mass General Brigham和哈佛大学医学院研究团队撰写的论文<a href="https://www.sciencedirect.com/science/article/pii/S2589537026000301?via%3Dihub">发表于&nbsp;<em>Lancet eClinical Medicine</em></a>，介绍了 PULSE-HF 的开发与测试成果。该名称大致取自“从心力衰竭患者的心电图中预测左心室收缩功能的变化”（Predict changes in left ventricULar Systolic function from ECGs of patients who have Heart Failure）。该项目在Stultz实验室完成，该实验室隶属于&nbsp;<a href="https://jclinic.mit.edu/">MIT Abdul Latif Jameel健康机器学习诊所</a>。该深度学习模型基于麻省总医院、布莱根妇女医院以及MIMIC-IV（一个公开数据集）三个不同患者队列的数据进行开发与回顾性测试，能够准确预测左心室射血分数（LVEF）的变化，即心脏每次搏动时从左心室泵出的血液百分比。</p><p dir="ltr">健康成年人的心脏每次搏动可从左心室泵出约50%至70%的血液——低于此数值则被视为潜在问题的征兆。“该模型输入一份[心电图]数据，并预测患者在接下来的一年内射血分数是否会降至40%以下，”同样作为 PULSE-HF 论文共同第一作者的MIT博士生Tiffany Yau表示，“这代表了心力衰竭中最严重的亚组人群。”</p><p dir="ltr">如果 PULSE-HF 预测患者的射血分数在未来一年内可能恶化，临床医生便可将该患者列为随访优先对象。如此一来，低风险患者可减少复诊频次，并缩短因连接10个电极以进行十二导联心电图检查而花费的时间。此外，该模型还可部署于资源匮乏的临床环境，例如通常未配备专职心脏超声医师进行日常超声检查的偏远地区诊所。</p><p dir="ltr">“区别于其他心力衰竭心电图分析方法，[PULSE-HF]最大的不同在于其侧重于‘预测’而非‘检测’，”Yau指出。论文强调，迄今为止，尚无任何方法能够预测心力衰竭患者未来左心室射血分数的下降趋势。</p><p dir="ltr">在测试与验证过程中，研究人员采用“受试者工作特征曲线下面积”（AUROC）这一指标来评估 PULSE-HF 的性能。AUROC 通常用于衡量模型在0到1的评分尺度上区分不同类别的能力，其中0.5代表随机猜测，1代表完美分类。在所有三个患者队列中，PULSE-HF 的 AUROC 值介于0.87至0.91之间。</p><p dir="ltr">值得注意的是，研究人员还为单导联心电图开发了一个 PULSE-HF 版本，这意味着仅需在身体放置一枚电极即可。尽管十二导联心电图因其更全面和准确而被视为更优选择，但单导联版本的 PULSE-HF 性能表现依然与十二导联版本不相上下。</p><p dir="ltr">尽管 PULSE-HF 的理念简洁优雅，但像大多数临床研究项目一样，其落地执行过程极为繁琐。“[完成这个项目花了数年时间，”Bergamaschi回忆道，“期间经历了多次迭代改进。”</p><p dir="ltr">团队面临的最大挑战之一是收集、处理并清洗心电图和超声心动图数据集。虽然模型的目的是预测患者的射血分数，但训练数据的标签往往难以直接获取。就像学生依靠教材答案自学一样，数据标注对于帮助机器学习模型正确识别数据中的模式至关重要。</p><p dir="ltr">在模型训练时，清晰线性的TXT格式文本通常效果最佳。但超声心动图文件通常以PDF形式存在，当将其转换为TXT文件时，原文本会因换行和排版被拆散，导致模型难以读取。现实场景的不可预测性也会污染数据，比如患者躁动不安或导线接触不良等。“需要清理的信号伪影非常多，”Bergamaschi表示，“这简直是个无底洞。”</p><p dir="ltr">Bergamaschi和Yau承认，虽然更复杂的方法可能有助于过滤数据以提升信号质量，但这些方法的效用存在上限。“究竟要在什么时候停手呢？”Yau问道。“你必须结合实际应用场景来考量——是保留一个能在轻微杂乱数据上正常运行的模型最为便捷？毕竟在实际应用中数据很可能就是会有些杂乱。”</p><p dir="ltr">研究人员预计，PULSE-HF 的下一步将是在真实患者身上开展前瞻性研究，测试其对未来未知射血分数变化的预测能力。</p><p dir="ltr">尽管将 PULSE-HF 等临床AI工具推向应用终点充满挑战，甚至可能增加一年的博士毕业风险，学生们仍觉得这些年的辛勤付出物有所值。</p><p dir="ltr">“我觉得之所以感到充实，部分原因正是因为其中的挑战性，”Bergamaschi说。“一位朋友曾对我说：‘如果你认为毕业后能找到自己的使命，而你的使命确确实实是你的使命，那么哪怕为了毕业多花一年时间，它依然会在那里等你。’……我们在[机器学习与健康]领域的研究评价标准与其他ML领域研究者有所不同。这个社区的每个人都理解这里存在的独特挑战。”</p><p dir="ltr">“世界上受苦的人太多了，”Yau说道，一次健康事件让她意识到机器学习在医疗保健中的重要性，从而加入Stultz实验室。“任何试图减轻人类苦难的努力，我都认为是值得投入时间的宝贵事业。”</p>