综述：人工智能在心脏病学中的应用：通过临床决策支持系统整合急性冠脉综合征的范围综述

这篇综述系统评价了人工智能（AI）在急性冠脉综合征（ACS）临床决策支持系统（CDSS）中的整合进展，聚焦诊断支持、风险评估和预后预测三大应用方向。研究揭示了AI-CDSS在提升特异性（specificity）和阴性预测值（NPV）方面的潜力（如CoDE-ACS模型AUC达0.953），同时指出样本代表性不足、外部验证缺乏（仅10项研究符合纳入标准）及模型可解释性等关键挑战，为优化AI在急性心脏护理中的转化应用提供了循证依据。

　　

人工智能在急性冠脉综合征管理中的机遇与挑战

急性冠脉综合征（ACS）与及时干预的重要性

心血管疾病（CVDs）是全球首要死因，其中ACS作为危急亚型，尤其是ST段抬高型心肌梗死（STEMI）的院内死亡率高达2.2%-9.4%。诊断依赖症状评估、心电图（ECG）和肌钙蛋白检测，但30%患者表现为非典型症状（如恶心、腹痛），与应激性心肌病或心肌炎鉴别困难。美国心脏协会（AHA）强调"黄金90分钟"干预窗口，但传统方法难以满足时效需求。

AI在ACS诊断与预测中的潜力

机器学习（ML）模型通过整合临床指标（如肌钙蛋白动态变化）和人口统计学特征，显著提升诊断效能。例如CoDE-ACS系统采用XGBoost算法，将阴性预测值（NPV）从94%提升至99%，能更可靠排除非ACS病例。深度学习（DL）在冠状动脉CT血管成像（CCTA）中实现斑块体积测量的高重复性（ICC 0.949），而卷积长短期记忆网络（ConvLSTM）可精准定位STEMI相关导联（如V₂导联准确率达90.5%）。

CDSS整合的技术与临床考量

AI-CDSS面临独特挑战：需在10分钟内完成ECG判读（符合AHA指南），并区分ACS与Takotsubo心肌病等 mimics。联邦学习（FL）和标准化框架（如ESC指南）可提升多中心数据兼容性。自然语言处理（NLP）能结构化急诊记录中的关键指标（如胸痛特征），但模型"黑箱"问题仍影响临床信任。

方法学严谨性分析

通过PRISMA-ScR框架筛选的10项研究中，PROBAST工具评估显示：60%存在分析偏倚风险（如Sherazi等未报告超参数调优细节），40%缺乏外部验证队列。QUADAS-2提示时间偏倚问题，如Gibson等未明确ECG特征提取与诊断的时间间隔。

临床应用瓶颈与突破方向

主要限制包括：

1. 样本局限性：Doudesis等研究以高加索人群为主，泛化性存疑；
2. 验证缺陷：仅Lin等在国际多中心验证（6国175例患者）；
3. 工作流整合：Sherazi开发的随机森林模型虽达99%准确率，但未说明与电子病历（EHR）的对接方案。

未来需聚焦：前瞻性验证（如CoDE-ACS正在测试真实世界影响）、可解释AI技术（如特征重要性可视化）以及 clinician-in-the-loop 系统设计，以弥合实验室性能与床旁效用间的鸿沟。