机器学习预测癌症患者心脏毒性：基于常规超声参数构建全球纵向应变预测模型

本研究针对癌症治疗相关心功能不全(CTRCD)早期监测中全球纵向应变(GLS)测量受限的临床难题，东京都立多摩医疗中心团队创新性地采用机器学习(ML)技术，通过1,484例患者常规超声参数成功构建CatBoost分类器模型(AUC 0.748)，揭示舒张功能参数(e'/E/A)与峰值流速指标(AV-Vmax/LVOT-Vmax)是预测GLS降低(<16%)的关键因子，为资源有限地区CTRCD筛查提供新策略。

　　

随着癌症治疗技术的进步，患者生存期显著延长，但心血管疾病已成为影响预后的首要非肿瘤因素。其中，癌症治疗相关心功能不全(CTRCD)因化疗、靶向治疗等干预手段诱发，可导致致命后果。全球纵向应变(GLS)作为心肌纤维纵向缩短的量化指标，能在射血分数(EF)下降前早期识别CTRCD，其相对降低15%即具临床意义。然而现实困境在于：尽管98%机构配备斑点追踪超声(STE)设备，仅39%常规开展检测，主要受限于操作复杂、耗时及人员培训不足。

针对这一临床痛点，东京都立多摩医疗中心联合北海道大学的研究团队开展了一项创新研究。研究者假设：常规超声参数可替代GLS检测，通过机器学习(ML)构建预测模型，精准筛选需要重点监测的高危患者。该成果发表于《Cardio-Oncology》，为CTRCD早期预警提供了智能化解决方案。

研究采用单中心横断面设计，纳入2020-2024年间1,484例接受抗癌治疗且EF≥50%的患者（低GLS组406例，正常GLS组1,078例）。关键技术包括：1）使用Philips QLAB AutoStrain软件标准化测量GLS；2）通过PyCaret框架比较16种ML算法；3）采用Optuna方法优化超参数；4）应用SHAP值解析特征贡献度。

ML预测模型构建与评估
通过10折交叉验证筛选出CatBoost分类器(CBC)等5种最优模型。CBC在测试集表现最佳（AUC 0.748，灵敏度24.7%，特异度91.7%），其预测效能显著优于传统统计方法。值得注意的是，当设定80%灵敏度时特异性降至40%，反映临床应用中需权衡漏诊与误诊风险。

关键预测因子解析
SHAP分析揭示：1）舒张功能指标：侧壁e'（7.9±2.7 vs 9.5±2.8 cm/s）、E/A比值（0.9±0.3 vs 1.0±0.4）是首要贡献因子；2）血流动力学参数：左室流出道峰值流速(LVOT-Vmax)和主动脉瓣流速(AV-Vmax)差异显著（p<0.001）；3）结构参数：室间隔厚度(IVST)和后壁厚度(PWT)在低GLS组更显著（8.8±1.5 vs 8.3±1.4 mm）。这些发现提示心肌舒张功能受损与血流动力学改变可能是GLS降低的早期标志。

临床转化价值
该研究首次证实ML模型可通过常规超声参数预测GLS异常，具有三重意义：1）为无法开展STE的机构提供筛查工具；2）指导跨厂商设备检测时的数据校准（已知不同厂商GLS测量差异达3.7%）；3）凸显舒张功能评估在CTRCD管理中的重要性。但需注意模型在低质量图像患者中的适用性尚未验证，且纵向预测能力有待前瞻性研究证实。

讨论部分强调，该模型可作为"预筛工具"而非诊断金标准，其核心价值在于优化医疗资源配置。未来需通过多中心验证提升泛化能力，并整合心肌运动速度(s')等补充指标。随着AI辅助GLS测量技术的发展，与预测模型的联合应用可能开创CTRCD智能监测新范式。这项来自日本团队的研究，为全球 cardio-oncology 领域提供了切实可行的技术路径。