编辑推荐：
超声心动图（Echocardiography）是心脏病诊断重要工具，但耗时且依赖专业知识。研究人员开展 AI 工具融入高容量超声心动图科室的研究，对比 AI 与人工测量结果。结果显示 AI 能有效融入，二者测量一致性高。为临床应用提供新方向。
在心血管疾病的诊断领域，超声心动图（Echocardiography）一直占据着重要地位。它就像是医生的 “透视眼”，能够清晰地看到心脏的结构和功能，为心脏病的治疗提供关键依据。然而，传统的超声心动图检查存在一些令人头疼的问题。做一次超声心动图检查，不仅花费时间长，就像给心脏做了一场漫长而细致的 “勘查”，而且对操作人员的专业技能要求极高。想象一下，在患者众多的高容量诊所里，这无疑是一场挑战，既要保证检查的准确性，又要提高效率，简直难上加难。
为了解决这些难题，来自法国波尔多大学医院（Bordeaux University Hospital）的研究人员挺身而出，开展了一项极具意义的研究。他们致力于探索将人工智能（Artificial Intelligence，AI）融入超声心动图科室的可行性，并对 AI 生成的测量结果与人工测量结果的一致性进行评估。
这项研究成果意义非凡，它发表在《Archives of Cardiovascular Diseases》杂志上。研究表明，AI 可以有效地融入临床超声心动图实践，AI 与人工测量结果之间具有高度的一致性。这一发现，为心血管疾病的诊断带来了新的希望，有望改变传统的诊断模式，提高诊断效率和准确性。
研究人员在开展研究时，运用了以下几个主要关键技术方法：首先，在法国波尔多大学医院的超声心动图科室进行数据采集，在 2 个月内，由护士、住院医师和专家这三个不同经验水平的操作人员完成 894 例超声心动图检查，同时获取 AI 和人工测量数据；之后，通过统计分析来评估两者测量结果的一致性，如进行一致性分析（Concordance analysis）和布兰德 - 奥特曼分析（Bland-Altman analysis）等。
下面来详细看看研究结果：
- AI 系统的整合情况：AI 系统在 6 周内成功集成到医院的基础设施中。这意味着在实际临床环境里，AI 技术已经具备了 “落地生根” 的能力，为后续的应用打下了坚实基础。
- 测量一致性分析：一致性分析显示，对于大多数参数，AI 和人工测量之间有良好到非常好的一致性。其中，射血分数（Ejection fraction）的组内相关系数（Intraclass correlation coefficient，ICC）达到 0.81（95% 置信区间 [Confidence Interval，CI] 0.78 - 0.85），这表明 AI 在评估心脏泵血功能的关键指标上，与人工测量的一致性较高。而基于多普勒的血流测量（Doppler-based flow measurements），如二尖瓣 E 波速度（Mitral E wave velocity），ICC 更是高达 0.97（95% CI 0.95 - 0.98），进一步说明了 AI 在血流动力学参数测量方面的可靠性。
- 差异分析：布兰德 - 奥特曼分析表明，整体平均差异为 -4%，标准差为 15% 。这虽然存在一定差异，但仍在可接受范围内。同时，亚组分析显示，专家和住院医师操作下的测量结果与 AI 的一致性，要高于护士（平均 ICC 分别为 0.78、0.79 和 0.72），说明操作人员的经验水平可能会对与 AI 测量的一致性产生影响。
研究结论明确指出，AI 能够有效融入临床超声心动图实践，AI 与人工测量结果之间具有较高的一致性。然而，目前的研究也存在一定局限性，仍需要进一步研究来探究其对临床结果和效率的长期影响。尽管如此，这项研究已经为心血管疾病的诊断开辟了新的道路。AI 技术的应用，有望在未来减轻医生的工作负担，提高高容量临床环境下超声心动图检查的效率，同时保证诊断的准确性，为更多心血管疾病患者带来更及时、更精准的诊断服务，推动心血管疾病诊断领域的发展。
