利用人工智能增强的听诊技术识别左心室功能障碍——在前瞻性多中心研究中的开发与外部验证

《NEJM AI》:Artificial Intelligence–Enhanced Auscultation to Identify Left Ventricular Dysfunction — Development and External Validation in Prospective Multicenter Studies

【字体: 大 中 小 】 时间:2026年10月16日 来源:NEJM AI

编辑推荐:

   摘要 背景 左心室功能障碍(LVD)很常见,并且即使在没有症状的人群中也与不良预后相关。早期治疗可以改善结果,这突显了需要有效策略来识别可以从超声心动图检查中受益的患者。本研究旨在开发并外部验证一种人工智能

  

摘要

背景

左心室功能障碍(LVD)很常见,并且即使在没有症状的人群中也与不良预后相关。早期治疗可以改善结果,这突显了需要有效策略来识别可以从超声心动图检查中受益的患者。本研究旨在开发并外部验证一种人工智能听诊方法,以检测因临床指征而进行超声心动图检查的患者中的LVD。

方法

在这项前瞻性、多中心研究中,被推荐进行超声心动图检查的成年患者被纳入研究,他们在四个标准听诊部位接受数字听诊,并同时进行单导联心电图(ECG)检查。LVD的定义是左心室射血分数(LVEF)小于或等于40%。一个结合了基于变压器的网络和一维卷积神经网络的集成模型在多中心数据上进行了训练,并进行了外部验证。该模型的性能与由七名心脏病专家组成的读片小组以及结合临床变量、单导联ECG特征和B型利钠肽水平的临床逻辑回归模型进行了比较。

结果

多中心训练队列包括2359名患者(平均年龄69.7±13.5岁;40.4%为女性;8.9%的LVEF降低)。外部验证队列包括964名患者(平均年龄68.6±15.4岁;38.9%为女性;7.6%的LVEF降低),这些患者来自另一个独立的多中心登记册。四部位人工智能听诊方法的性能优于仅使用ECG的模型和临床逻辑模型,在训练队列中的接收者操作特征曲线下面积(AUROC)为0.926(95%置信区间[CI]为0.911至0.939)。在外部验证队列中,AUROC为0.904(95% CI为0.876至0.930),敏感性、特异性和准确性分别为86.3%、74.2%和75.1%。在一个包含100名患者的读片小组研究中,人工智能听诊方法的准确性优于心脏病专家的共识(82.0% vs 62.0%;P=0.004)。该模型在不同预定义的亚组中的表现一致。简化后的两部位听诊方法在外部验证队列中仍保持高准确性(AUROC为0.903;95% CI为0.878至0.927)。

结论

人工智能听诊方法能够准确检测因临床指征而进行超声心动图检查的患者中的LVD,这支持其作为可扩展且易获得的超声心动图前风险评估工具的潜力。在更广泛的筛查应用之前,还需要进一步的验证。(由AMI公司和日本学术振兴会KAKENHI计划[资助编号25K19371]资助。)
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号