基于人工智能的超声心动图评估方法，用于监测转甲状腺素蛋白心脏淀粉样变性的疾病进展

《European Journal of Heart Failure》：Artificial intelligence-based echocardiographic assessment for monitoring disease progression in transthyretin cardiac amyloidosis

心脏淀粉样变性心肌病（ATTR-CM）中AI推导的LVOT-VTI变化作为预后预测指标的研究。ATTR-CM患者基线及12个月后经AI平台分析LVOT-VTI变化，发现≥5%的下降与全因死亡率显著相关（HR 1.41），并提高风险分层能力（ integrated discrimination improvement 0.012； continuous net reclassification improvement 0.21）。主要协变量调整后，LVOT-VTI变化仍独立预测预后。该研究证实AI驱动的LVOT-VTI变化是ATTR-CM中简单有效的预后指标。

　　在本文的研究中，科学家们探讨了人工智能（AI）在评估一种特定类型的心脏疾病——转甲状腺素蛋白淀粉样变性心肌病（ATTR-CM）中的应用价值。ATTR-CM是一种逐渐进展且危及生命的疾病，其特征是心脏间质空间中出现淀粉样物质沉积。这种沉积会逐渐导致心脏功能下降，特别是心脏的射血能力减弱，这往往预示着较差的预后。传统的超声心动图测量方法在评估心脏功能时存在一定的局限性，因为这些测量通常依赖于操作者的经验和主观判断，容易出现测量误差和结果不一致的情况。

为了克服这一问题，研究者引入了一种AI平台，用于对超声心动图图像进行全自动分析，特别是用于测量左心室流出道速度时间积分（LVOT-VTI）。LVOT-VTI是一种可靠的SV（心输出量）替代指标，但常规使用受限于其测量过程的耗时和操作者依赖性。AI平台通过自动化处理流程，能够快速且标准化地评估LVOT-VTI，从而减少人为因素带来的误差。

本研究收集了2007年至2021年间接受基线和12个月后超声心动图检查的连续752名ATTR-CM患者数据。其中，约44.4%的患者在随访期间死亡，这突显了该疾病对患者生存率的严重影响。通过多变量Cox模型分析，研究者发现，尽管许多传统的超声心动图参数与预后相关，但只有LVOT-VTI的变化在调整了年龄、性别、TTR基因型、心房颤动状态、纽约心脏协会（NYHA）分级和国家淀粉样变性中心（NAC）分期后，仍然保持独立的预后价值。

进一步的分析显示，如果LVOT-VTI在12个月内下降至少5%，则其与全因死亡率之间存在显著的正相关关系。研究者通过时间依赖的受试者工作特征（ROC）曲线分析，确定了这一变化的最优阈值。此外，该指标在风险重新分类方面也表现出良好的性能，能够显著提高对患者预后的判断准确性。这些结果表明，AI衍生的LVOT-VTI下降5%这一简单指标，可以作为ATTR-CM患者预后的重要预测因素。

研究还发现，一些基线特征与LVOT-VTI的下降存在显著关联，包括更晚期的NAC分期、使用矿物皮质激素受体拮抗剂（MRA）以及较高的初始LVOT-VTI值。这些因素提示，患者的初始SV水平可能与其后续病情恶化程度有关。也就是说，那些初始SV较高的患者，可能在疾病进展过程中表现出更大的下降幅度，这可能与淀粉样物质的持续沉积和心脏结构的逐渐受损有关。

尽管AI在测量LVOT-VTI方面具有显著的优势，如提高测量的标准化程度和减少人为误差，但研究也指出了其局限性。例如，该AI平台目前无法系统地排除心律失常后的异常心动周期，这可能导致某些情况下测量结果出现偏差。此外，由于研究数据主要来源于回顾性分析，其结果的普遍适用性可能受到一定限制。研究者还提到，目前尚未对心血管死亡进行单独分析，因此可能无法完全区分不同类型的死亡事件。

综上所述，AI衍生的LVOT-VTI下降5%被证明是一个简单、可重复且独立于其他临床参数的预后指标。这一发现不仅为临床医生提供了一个客观、可靠的评估工具，还可能成为未来ATTR-CM治疗试验中的潜在终点指标。随着AI技术的不断进步和在临床中的广泛应用，这种自动化测量方法有望进一步提高ATTR-CM的诊断和治疗效果，为患者提供更精准的疾病管理和更及时的干预措施。未来的研究可以进一步探索该指标在不同临床环境下的适用性，并将其纳入更全面的治疗评估体系中，以更好地指导临床决策。