综述：人工智能在HFpEF中的应用：诊断、预后及管理策略

【编辑推荐】本综述系统阐述人工智能（AI）与机器学习（ML）在射血分数保留型心衰（HFpEF）诊疗中的突破性进展，涵盖基于多模态数据（超声心动图、心电图、电子健康档案）的早期诊断算法、表型聚类分析、风险分层模型及个性化治疗策略，同时探讨AI临床转化的伦理与挑战。

　　

人工智能在HFpEF诊疗中的革新浪潮

AI-based diagnosis of HFpEF

射血分数保留型心衰（HFpEF）占心衰病例半数以上，其异质性导致传统诊断工具如HFA-PEFF评分临床应用受限。AI通过整合超声心动图、心电图（ECG）和电子健康档案（EHR）实现精准诊断：

• •

  超声心动图AI模型：3D卷积神经网络（CNN）仅需单切面视频即可识别HFpEF，灵敏度达0.87，特异性0.81，优于传统评分。

• •

  ECG深度学习：12导联ECG的CNN模型AUC达0.869，阴性预测值0.98，成为高效筛查工具。

• •

  EHR自然语言处理：AI算法识别未确诊HFpEF的准确率（F1分数91.0%）远超传统方法（4.9%）。

AI-based phenotyping of HFpEF

机器学习聚类分析揭示HFpEF表型异质性：

• •

  高风险表型：肥胖-炎症表型（调整后HR 4.2，HF住院风险）和合并糖尿病（DM）、慢性肾病（CKD）的群体对螺内酯治疗反应显著。

• •

  治疗响应分层：基于临床变量的k-means聚类可预测β受体阻滞剂或血管紧张素受体阻滞剂（ARB）的疗效差异。

AI-based risk prediction for HFpEF

随机森林模型整合血尿素氮、堪萨斯城心肌病问卷（KCCQ）评分等变量，预测死亡和心衰住院的C统计量分别达0.72和0.76。基因表达数据的支持向量机（SVM）模型可精准预测3年死亡率，为精准干预提供靶点。

AI-based medical management of HFpEF

计算模拟首次揭示恩格列净通过抑制钠氢交换体1（NHE⁺/H⁺ exchanger 1）调控心肌氧化应激。螺内酯"响应者"表型（ML筛选）的CV事件风险降低35%（log-rank P=0.008），推动个性化用药。

挑战与未来

当前AI模型存在"黑箱"问题，需可解释AI（XAI）提升透明度。未来方向包括：

• •

  多模态数据平台：整合影像组学、生物标志物和基因组数据，如NHLBI HeartShare计划。

• •

  数字医疗：PASSION-HF联盟开发的"虚拟医生"系统，实现患者自我管理决策支持。

Section snippets

HFpEF的慢性病特性与AI的数据处理优势高度契合，但需从回顾性分析转向前瞻性临床验证。跨学科协作与伦理框架将是AI落地临床的关键。