综述：基于机器学习的心肌病与心力衰竭研究文献计量分析：2005-2024年趋势

这篇综述运用文献计量学方法系统分析了2005-2024年机器学习（ML）和人工智能（AI）在心肌病（CM）与心力衰竭（HF）领域的研究趋势，揭示了美国、中国和英国的主导贡献，以及诊断（ECG/MRI）、风险预测（AUC评估）和精准医疗（基因组学/蛋白质组学）等核心研究方向，同时指出数据标准化和伦理问题（如算法偏见）是未来临床转化的关键挑战。

　　

引言

心血管疾病（CVD）是全球发病和死亡的首要原因，而心肌病（CM）作为其严重亚型，常导致心律失常和心力衰竭（HF）。2019年全球CM年龄标准化患病率达56.0/10万，其中HF患者超3770万，造成337万伤残调整生命年（DALYs）。传统分析方法在诊断和预后评估中存在局限，而机器学习（ML）和人工智能（AI）通过解析复杂数据（如心电图特征和影像组学），显著提升了风险分层和预测模型精度。

方法论

研究基于Web of Science核心合集（WoSCC），检索2005-2024年ML/AI应用于CM/HF的2110篇文献，使用VOSviewer、CiteSpace和Bibliometrix工具分析国家/机构合作网络、关键词共现及主题演化。数据筛选严格，仅纳入英文论文，排除会议摘要等非研究型文献。

结果

趋势分析：2016年后年发文量激增20.25%，2024年超500篇，总被引逾1.2万次，反映领域热度。
国家贡献：美国（631篇）、中国（444篇）和英国（127篇）主导研究，英国国际合作率最高（63.8%）。
核心机构：梅奥诊所（Mayo Clinic）和哈佛大学（Harvard University）为高产机构，其团队（如Friedman PA、Attia ZI）开发的AI-ECG模型被广泛引用（H指数达14）。
期刊分布：《Frontiers in Cardiovascular Medicine》（111篇）和《Scientific Reports》（60篇）为顶级载体。
研究热点：关键词"HF"（481次）、"风险预测"（255次）和"深度学习"（158次）凸显临床需求；主题演化显示从传统分类转向特征选择和蛋白质组学等前沿技术。

讨论

技术转化：ML在心脏再同步治疗（CRT）优化和磁共振成像（MRI）分析中表现突出，但存在数据异构性问题。例如，Attia ZI团队开发的CNN模型对无症状HF预测AUC达0.93，但需多中心验证。
伦理挑战：算法偏见（如训练集种族偏差）和"黑箱"问题制约临床采纳，可解释AI（XAI）工具如SHAP值分析成为解决方案。
地域差异：89%研究经费来自欧美公立机构，低收入地区参与度不足，需通过开放数据集（如英国生物银行）促进公平。

结论

CM/HF研究正迈向数据驱动的精准医疗时代，ML/AI在早期诊断（如射血分数保留型HF识别）和个体化治疗（如免疫细胞浸润分析）中潜力巨大。未来需加强跨学科合作（如生物信息学与临床医学），并建立伦理框架推动技术普惠。