人工智能驱动的多参数预后评分系统在冠状动脉风险分层中的革命性应用

本刊推荐：心血管风险分层是预测发病率和死亡率的关键。为解决传统风险评分系统参数单一、计算复杂的问题，研究人员开展了整合人工智能(AI)与多参数(临床变量+心脏影像)的冠状动脉风险评分研究。研究团队开发了Vall d'Hebron风险评分(VHRS)系列，通过10,000例患者验证证实，AI驱动的多参数评分系统较传统方法显著提高预测准确性(AUC 0.81 vs 0.65)，为临床决策提供更全面的风险评估工具。

　　

心血管疾病长期占据全球死亡原因首位，而准确的风险评估是预防和治疗的关键。传统Framingham风险评分等工具主要依赖临床变量，存在"盲人摸象"的局限性——就像仅通过体温判断肺炎严重程度，忽略了胸片的关键信息。更复杂的是，当前临床实践中分散着18种不同评分系统，涉及9,034,608例患者数据，却各自为政：有的仅用生化指标，有的单纯依赖影像，犹如拥有多块拼图却无法拼出完整画面。这种碎片化评估导致医生面临两难选择：要么接受不准确的风险预测，要么耗费大量时间整合多源数据。

正是这一临床困境，激发了Guillermo Romero-Farina领衔的国际团队在《European Journal of Nuclear Medicine and Molecular Imaging》发表突破性研究。他们创造性地将人工智能(AI)与多参数评估相结合，开发出新一代风险分层工具VHRS系列。这项研究的意义堪比为心血管预防装上了"GPS导航系统"，通过整合临床、运动和门控SPECT（单光子发射计算机断层扫描）等多维度数据，首次实现了对复杂冠状动脉风险的精准导航。

研究团队采用三大关键技术：1) 基于20,414例REFINE SPECT注册数据的机器学习(ML)建模，比较了纯影像参数(ML-Image)与全参数(ML-All)的预测效能；2) 开发VHRS系列算法并整合至Emory Cardiac Toolbox软件，实现自动化风险评估；3) 通过多中心验证队列(总计约10,000例)评估算法在初级预防、次级预防、缺血性心肌病和女性群体中的普适性。特别值得注意的是，所有影像数据均采用门控SPECT技术，可同步评估心肌灌注、心室功能、重构和同步性等16项参数。

[研究结果]

1. 1.

   多参数整合的优越性

   Betancur等对2,619例患者的研究显示，结合临床与D-SPECT（动态SPECT）影像的ML模型预测精度(AUC 0.81)显著高于单纯视觉诊断(0.65)或自动灌注参数(0.71-0.73)。风险重分类改善达26%，证明"1+1>2"的整合效应。

2. 2.

   VHRS系列临床验证

   VHRS-I在6,441例患者中成功预测非致死性心梗、血运重建和心源性死亡；VHRS-II精简参数后仍保持对5,894例患者的预测效能；专为缺血性心肌病设计的VHRS-ICM新增心衰住院、CRT/ICD（心脏再同步治疗/植入式心律转复除颤器）等终点；女性专用版CORSWO在2,226例女性中验证有效。

3. 3.

   影像技术的核心价值

   研究强调门控SPECT/PET的"一站式"评估能力，可同时获取心肌灌注、LVEF（左室射血分数）、应变率等参数。当LVEF从正常降至异常时，其风险权重会动态调整，这与临床决策路径完美契合——就像交通信号灯，LVEF<40%自动触发心衰标准化治疗。

4. 4.

   AI模型的解释性

   Singh等开发的深度学习模型不仅预测死亡/心梗风险(AUC 0.76)，更能通过可视化技术展示影响决策的关键图像区域，相当于为医生提供"AI决策路线图"。

这项研究的讨论部分提出了三个范式转变：首先，多参数评分系统打破了传统"单线作战"的局限，如同将分散的侦察兵、卫星和雷达数据整合为立体作战地图。其次，AI实现的风险量化(如VHRS将风险分为5级)使预防策略从"经验性用药"迈向"精准剂量滴定"。最后，标准化接口设计让不同医疗机构的数据"讲同一种语言"，解决了信息孤岛问题。

研究的深远意义体现在三个方面：临床层面，帮助识别"隐藏的高风险"患者——那些灌注正常但LVEF轻度降低或运动耐量下降的群体；技术层面，为FDA批准的AI报告系统(如Emory Cardiac Toolbox)提供核心算法；科研层面，建立的10,000例数据库将成为未来AI训练的"黄金标准"。正如作者强调，这场AI革命不是取代医生，而是通过"增强智能"使临床决策既精准又人性化。