心肌病中的人工智能：从机会性筛查到关键决策性风险分层

《Heart Failure Clinics》：Artificial Intelligence in Cardiomyopathies: From Opportunistic Detection to Decision-Critical Risk Stratification

　　

章节摘要

要点

• •
  人工智能（AI）解决了心肌病（CMPs）中的 2 个主要未满足需求：诊断延迟和风险分层不精确，通过将临床相关信息重新定位到护理路径的更早阶段。
• •
  人工智能驱动的心电图（ECG）和床旁成像允许实施可扩展、低负担的筛查策略，能够在明显的结构疾病临床显现之前识别出患有心肌病或心室功能障碍的患者。
• •
  心电图和心脏方面的高级人工智能应用

引言——为什么现在要在心肌病中应用人工智能？

心肌病（CMPs）代表了一组异质性的心肌疾病，其特征为结构性重塑、心室功能障碍和可变的心律失常风险。¹ 两个结构性差距仍然限制着护理和患者旅程：识别过晚和风险分层粗糙。尽管在成像、遗传学和生物标志物分析方面取得了进步，但患者通常是在重塑已经确立后才被识别出来，并且由于...临床决策仍然依赖于降维的风险替代指标

概念框架：从数据到临床决策

人工智能在心肌病中的快速扩展不仅需要高性能算法。它需要一个基于任务的框架，将数据流与临床行动联系起来。与其将人工智能视为单一的技术层，其应用可以围绕 4 个以临床为锚点的功能进行结构化：检测（谁需要进一步评估）、表型分析（什么底物 underlying 该表型）、预后（风险轨迹是什么）和决策支持（风险应如何影响管理）（表

机会性筛查和早期检测

机会性筛查是人工智能投入运营的地方：它利用已经大规模进行的测试，特别是 12 导联心电图和床旁超声，来识别那些值得进行针对性确认性评估的个人。临床价值在于优先级排序和路径效率，特别是在患病率低且资源有限的情况下。在以下章节中，重点放在临床背景、谱效应和决策相关阈值上，而不是孤立的

表型分析和心肌基质特征描述

表型特征描述代表了心肌病诊断路径中的核心步骤。需要系统地评估心肌形态和功能，以定义心肌病表型并指导后续的病因学、遗传学和预后评估，这符合当代欧洲心脏病学会指南。¹ 尽管经胸超声心动图因其可及性和全面的结构评估而仍然是首选的成像方式，但心脏磁共振提供

决策关键风险分层

尽管心肌病表型之间存在显著异质性，但共同的临床目标是预防主要不良心血管事件，包括心力衰竭进展、心房颤动、持续性室性心律失常和心脏性猝死。¹ 因此，风险分层不仅仅是次要的分析练习，而是护理中决策关键的组成部分，因为它直接影响植入式心脏复律除颤器（ICD）植入、心律失常监测强度和随访安排。⁵⁴

传统风险模型具有

临床效用和结果相关性

基于人工智能的心肌病模型经常使用判别指标进行评估；然而，诊断准确性并不自动转化为临床益处。这种差距既反映了临床验证工具成熟度有限，也反映了更广泛地将人工智能潜力转化为基于价值的医疗保健干预措施的能力不足。核心问题不在于算法是否能够区分病例和对照，而在于其使用是否显著改善了临床决策制定、患者

实施、验证和安全保障

心肌病中的人工智能最终将不是由受控数据集中的峰值判别能力来评判，而是由其在常规实践中的安全性、可靠性和临床影响来评判（图 3）。在回顾性队列中开发的算法必须在异质性人群、成像平台和不断演变的护理路径中发挥作用。

外部验证定义了可迁移性。开发数据集中的性能通常反映了富集设计和稳定的采集条件。当模型应用于独立的

总结

人工智能正在通过整合多模态心电图、成像和临床数据，实现更早的检测、更精确的表型特征描述和更个体化的决策关键风险分层，从而重塑心肌病的临床管理。然而，其最大的贡献不在于取代临床判断，而在于用定量、可重复且基于生物学的决策支持来增强它。

未来的进步将较少取决于

临床护理要点

• •
  人工智能通过利用常规获取的数据（如心电图和超声心动图），实现心肌病的早期检测，在不增加患者负担的情况下提高路径效率。
• •
  心电图、成像和临床数据的多模态整合增强了心肌基质特征描述，并将表型分析从分类标签转向定量、基于生物学的描述符。
• •
  在植入式心脏复律除颤器（ICD）植入等决策关键背景下，基于人工智能的风险模型可能会细化

资金声明

本工作由瑞典心脏肺基金会，瑞典 [资助协议号：20,240,797] 和瑞典心脏病学会资助。

利益冲突声明

作者没有什么需要披露的。

Emanuele Bobbio|Sabrina Montuoro|Vera Fico|Emanuele Monda|Mario Merone|Leandro Pecchia|Giuseppe Limongelli