《American Heart Journal》：Design of Screening Cardiometabolic Opportunities Using Transformative Echocardiography Artificial Intelligence (SCOUT-Echo-AI)
编辑推荐：
背景：脂肪性肝病（steatotic liver disease, SLD）在心血管疾病个体中高度流行，但常直至纤维化肝病和肝细胞癌（hepatocellular carcinoma, HCC）等晚期后遗症出现才被诊断。经胸超声心动图（transthoraci
背景：脂肪性肝病（steatotic liver disease, SLD）在心血管疾病个体中高度流行，但常直至纤维化肝病和肝细胞癌（hepatocellular carcinoma, HCC）等晚期后遗症出现才被诊断。经胸超声心动图（transthoracic echocardiography, TTE）常规采集的肋下肝脏切面在临床中未被利用。EchoNet-Liver算法使用人工智能（artificial intelligence, AI）基于常规临床超声心动图预测肝病存在。需要在真实世界实践中进行前瞻性评价，以理解AI赋能的机会性肝病筛查的临床效用和影响。方法：SCOUT-Echo-AI研究是一项单臂、前瞻性、多中心、开放标签的实用性干预试验，将在六个多样化的美国医疗系统（Kaiser Permanente Northern California、Stanford Healthcare、Cedars-Sinai Medical Center、University of California Los Angeles、Northwestern Medicine和Massachusetts General Brigham）开展。常规超声心动图将由EchoNet-Liver AI算法分析，估计入组～3,000例患者。治疗临床医生或参与者本人将获知可能存在的未诊断肝病，并制定站点特定工作流程以确保常规临床照护用于确定性病例确认。主要结局为AI识别后12个月内SLD和纤维化肝病的检出率及阳性预测值（positive predictive value, PPV）。预设次要结局将评估与其他金标准模态相比的诊断准确性、治疗启动、诊断时间及对其他临床事件的影响。结局将与历史常规照护队列和当代低于阈值队列比较。结论：SCOUT-Echo-AI是一项前瞻性多中心研究，评估AI赋能的机会性肝病筛查使用常规超声心动图的真实世界影响。
本文为SCOUT-Echo-AI试验方案，原文未报告研究结果。研究背景与理由：原文指出，SLD影响全球约25–30%的普通人群，是慢性肝病的主要原因之一；纤维化肝病影响全球约1–2%人群。SLD患者常无症状，直至晚期治疗选择受限且预后显著恶化。尽管存在肝脏超声、振动控制瞬时弹性成像（vibration-controlled transient elastography, VCTE，如FibroScan?）和血清生物标志物 panel 等无创筛查方式，但因成本效益、资源可及性以及既往缺乏有效治疗选择等问题，系统性筛查项目尚未广泛实施。SLD与心血管疾病共享肥胖、糖尿病、血脂异常和高血压等代谢危险因素，构成心血管-肾脏-代谢综合征（cardiovascular-kidney-metabolic syndrome, CKM）的一部分；二者存在双向风险关系，接受心脏评估的患者常存在未识别肝病，冠心病、心力衰竭或心房颤动患者中SLD患病率可达30–60%。TTE每年在美国实施超过700万次，标准方案常偶然采集包括肝脏和周围结构的切面，尤其是肋下窗；但心脏科医生和超声技师未接受系统评估肝脏发现的训练，除非明显异常，这些心外结构很少被描述。EchoNet-Liver算法利用卷积神经网络从常规超声心动图图像中检测预测SLD和纤维化肝病的模式，回顾性验证显示有前景，可从已有心脏影像识别未诊断肝病患者。研究人员开展SCOUT-Echo-AI研究，旨在评估AI赋能机会性肝筛查在真实世界中的有效性、不同人群中的PPV、下游诊断级联、诊断时间、治疗启动率、患者结局和整合挑战，并为未来AI筛查工具验证和临床实施决策提供框架。假设：主要无效假设为AI标记人群的肝病检出率等于或低于对照队列（历史常规照护TTE患者和当代AI筛查结果低于通知阈值的TTE患者）。
研究设计与设置：单臂、前瞻性、多中心、开放标签实用性干预研究，在KPNC、SHC、CSMC、UCLA、NM和MGB六个美国机构开展，注册于ClinicalTrials.gov（NCT07216859），各机构伦理审查委员会（Institutional Review Board, IRB）批准；一年评价期内处理常规临床照护中获得的回顾性超声心动图影像数据，并向临床医生通知提示SLD或纤维化肝病的高风险发现。每个站点约30,000–150,000份超声心动图（总计至多300,000份）将由EchoNet-Liver分析，预计至多3,000例高风险患者被标记；干预为向临床医生或参与者通知潜在未诊断SLD和/或纤维化肝病，作为决策支持工具，临床医生保留进一步诊断评估的全部裁量权；若临床医生判定无需进一步检测，则参与者被归类为假阳性。AI标记队列结局与两个对照组比较：研究开始前12个月内行TTE的历史队列，以及研究期间TTE低于AI筛查通知阈值且提供者未暴露于AI通知的当代队列；通知后随访至多12个月，通过电子健康记录（electronic health record, EHR）复核和跨站点统一数据集评估结局。纳入标准：年龄≥18岁；作为常规临床照护的一部分接受TTE。排除标准：既往肝移植；既往进入临终关怀；因临床情况需要替代诊断路径，包括已在评估肝移植或由肝病科积极管理；治疗提供者判断存在限制生命诊断或其他医疗/社会因素妨碍进一步诊断检查；根据被通知的治疗医生判断不愿接受前瞻性肝病检测。干预：TTE被分类为高于预设高风险阈值且符合资格的患者将被识别用于临床医生通知；治疗临床医生通过EHR消息获知患者基于TTE的AI分析被识别为SLD和/或纤维化肝病高风险；AI风险标记为决策支持工具，不构成诊断，通知提供二元建议提示可能需要进一步下游检测以确认评估，临床医生根据临床判断和患者整体临床背景保留决定是否进一步诊断评估或专科转诊的全部裁量权。对照队列：历史常规照护队列为研究开始前12个月内接受超声心动图、符合相同资格标准但提供者未暴露于AI通知的患者；当代低于阈值队列为研究期间接受TTE但被EchoNet-Liver分类为低于SLD和/或纤维化肝病高风险阈值、因而未触发临床医生通知的患者；另有两个来自同一研究期的当代比较队列进一步提供背景：常规照护中接受腹部超声的患者，以及未通过AI识别而经标准临床照护诊断肝硬化的患者；所有对照队列接受与AI标记队列相同结局评估，包括12个月随访期内病历复核确认诊断、治疗启动和临床结局；对照队列按人口学和临床特征与AI标记患者匹配。目标与结局：主要目的为评估AI赋能超声心动图筛查和通知工作流程在接受常规TTE患者中肝病的真实世界诊断性能和临床影响；两个主要终点为EchoNet-Liver检测SLD的疾病检出率（包括PPV）和检测纤维化肝病的疾病检出率（包括PPV），均以AI识别后12个月内确认诊断为准；疾病检出率为队列中确认SLD或纤维化肝病的比例，在AI标记队列中等于PPV，在对照队列中反映常规照护下诊断率；选择检出率作为主要终点是因为其直接量化机会性筛查相对于常规照护的真实世界产出；12个月确认窗口用于允许真实世界诊断级联包括确认影像、专科评估、诊断和预后在实用性工作流程内发生；24个月疾病检出率和PPV作为次要终点。其他次要目的包括评估AI筛查算法触发的诊断级联、临床医生响应模式和患者结局；次要结局采用时间至事件分析，包括确认诊断、确认影像时间、确认病例靶向治疗启动时间、全因死亡、全因住院、心力衰竭相关住院（定义为接受静脉[IV]利尿剂、B型利钠肽[B-type natriuretic peptide, BNP]升高或国际疾病分类第十版[International Classification of Diseases, Tenth Revision, ICD-10]心力衰竭编码的入院）、心血管住院、肝失代偿住院（定义为腹水、肝性脑病、静脉曲张出血、肝细胞癌或肝移植）、新发动脉粥样硬化性心血管疾病（atherosclerotic cardiovascular disease, ASCVD）诊断（包括住院心肌梗死[myocardial infarction, MI]、缺血性卒中/短暂性脑缺血发作[transient ischemic attack, TIA]、冠状动脉血运重建和有症状外周动脉疾病[peripheral artery disease, PAD]事件包括急性肢体缺血、外周动脉血运重建或重大截肢的复合终点）；为评估AI早期识别肝硬化是否转化为临床结局改善，附加次要终点将肝失代偿事件包括胃肠道出血、住院或急诊食管胃十二指肠镜（esophagogastroduodenoscopy, EGD）、自发性细菌性腹膜炎、治疗性腹腔穿刺、肝性脑病和食管静脉曲张预防治疗，与经标准临床照护诊断肝硬化的当代队列比较。AI整合：EchoNet-Liver算法在各参与站点本地部署，按机构工作流程和技术资源整合；每站点在专用安全服务器或工作站安装AI软件（最低要求：NVIDIA GPU 16GB+内存，32GB系统RAM）；流程以Python 3.8.0、PyTorch 2.2和torchvision 0.17实现，并含DICOM文件处理和图像处理依赖；TTE图像不转出机构网络，符合健康保险可携性和责任法案（Health Insurance Portability and Accountability Act, HIPAA）。AI流程分三阶段：视图分类模型从完整超声心动图研究中识别肋下切面；质量控制模型排除图像质量差或肝脏显示不足的视频；疾病检测模型分析肝实质纹理生成SLD和纤维化肝病风险评分；研究分类为“高风险”（模型输出超过预设高特异性临床阈值）、“非高风险”（低于阈值且图像质量足够）或“信息不足”（未满足质量控制标准）；高风险阈值（纤维化肝病0.83，SLD 0.34）在推导队列中预设以优化特异性，从而限制假阳性和不必要下游检测；所有站点采用单一通用阈值而非站点特定截断值。EchoNet-Liver此前已开发和回顾性验证；视图分类模型为ConvNeXt架构（224×224像素视频输入），训练识别肋下下腔静脉视图，使用AdamW优化器最小化二元交叉熵和logit损失之和（学习率5×10
?3，批大小64，最多50个epoch并早期停止）；疾病检测模型为DenseNet架构，从全分辨率（640×480像素）图像帧分析肝实质纹理，以AdamW最小化二元交叉熵损失（学习率1×10
?5，批大小40，最多100个epoch并早期停止），每个epoch每视频随机采样一帧；真实标签来自放射科医生解读的腹部超声报告；模型输出0–1连续风险评分，并按上述预设高特异性阈值二分。站点特定实施：作为实用性研究，六个站点按本地运营考虑和资源实施站点特定临床工作流程；SHC采用住院医师驱动流程，关注最近72小时内当前住院患者的TTE，资格筛查后通知治疗团队，高风险参与者接受VCTE或超声弹性成像作为主要下游评估；CSMC采用亚专科医生驱动流程，识别最近12个月内TTE，资格筛查后弹性成像作为高风险个体二次筛查，随后由亚专科医生安排参与者通知和下游检测；MGB采用亚专科医生驱动流程，识别最近12个月内TTE，资格筛查和专科病历复核后，参与者预约专科医生协调下游诊断评估；UCLA评估既往门诊TTE，高风险参与者筛查后转诊门诊VCTE，高风险发现者转诊专科评估；KPNC和NM采用肝病科医生驱动流程，复核AI算法识别最近12个月内高风险TTE，资格筛查和病历复核后，专科医生对提示F3或以上纤维化分期患者启动Fibrosis-4（FIB-4）计算和VCTE医嘱；尽管工作流程有差异，所有站点向临床医生提供标准化AI筛查信息，所有下游检测决定由患者临床医生根据临床判断和患者情况决定。样本量：未进行正式样本量计算，但使用估计数以预测算法特征和试验工作流程可行性；约30,000–150,000份/站点、总计至多300,000份研究将被筛查；预计每站点约1,000例AI标记患者符合高风险阈值；考虑约50%因筛查失败、详细复核不合格或无法联系患者所致脱落，约每站点500例参与者纳入分析；假设基于既往算法验证的真实世界PPV为25%，将产生约500例确认SLD和/或纤维化肝病诊断；这些参数为肝病检出率置信区间提供足够精度，并为次要结局比较提供足够把握度。招募：采用基于机构工作流程和资源的站点特定招募方法；常规临床照护中获得TTE由EchoNet-Liver处理以识别高风险患者；后续患者外联和下游评估协调通过站点特定流程进行，并按当地运营能力、患者人群和IRB要求调整。知情同意：研究获所有参与机构站点特定IRB批准，同意要求因当地流程和机构政策而异；部分站点因研究仅代表超出标准照护的最低风险且无研究特定操作而获豁免知情同意；在直接联系患者进行前瞻性评估或入组的站点，将按当地IRB要求和机构标准获取知情同意。数据收集：所有参与者数据通过各站点临床人员作为站点特定工作流程一部分在12个月随访期内进行回顾性病历复核收集；为减少在参与系统外接受照护所致失访，站点将在可能时尝试电话随访；AI算法推断时（索引日期）收集基线数据包括年龄、性别、种族/族裔、体重指数（body mass index, BMI）、住院或门诊TTE设置、超声心动图日期及SLD和/或纤维化肝病危险因素（包括糖尿病、肥胖、血脂异常和高血压）；确认SLD和/或纤维化肝病定义为执业临床医生诊断脂肪性或纤维化肝病时的病历复核，临床医生可按所在站点标准照护使用腹部影像（腹部超声、计算机断层扫描、VCTE或磁共振成像）或活检。统计方法：主要分析使用Fisher精确检验（双侧）进行优效性比较，比较AI标记队列与对照队列（历史常规照护和当代低于阈值组）的肝病检出率；PPV总体及按疾病类型计算，95%置信区间用精确二项法估计；SLD和纤维化肝病主要假设检验采用双侧α=0.025（两个主要比较的Bonferroni校正）；仅在任一主要终点阳性时对次要结局进行正式统计检验，否则次要结局以置信区间描述性总结而不提供p值；若主要终点显著，次要分析采用双侧α=0.05并序贯分析；时间至事件结局使用Cox比例风险回归报告风险比和95%置信区间，对死亡、移植、失访或研究结束日期删失；考虑站点间工作流程和随访强度异质性，时间至事件结局额外以参与站点为随机效应建模，并总体及按站点和工作流程类型分层报告。预设亚组分析包括住院与门诊TTE、种族和族裔、性别、年龄（<60、60–75、>75岁）、TTE后时间、BMI正常/超重/肥胖、SLD和/或纤维化肝病危险因素、参与站点、临床工作流程类型、存在符合肝病的体征症状或情况、TTE申请指征符合或可疑肝病。缺失<5%变量采用均值（连续）或众数（分类）插补；缺失>5%采用链式方程多重插补；失访参与者在最后已知临床接触时删失。敏感性分析包括已知肝病、提高AI阈值、竞争风险模型以及按站点和工作流程类型分层分析。不良事件：作为最低风险实用性筛查研究，仅涉及对现有超声心动图的AI分析和作为决策支持工具的临床医生通知，不要求正式不良事件报告；干预不直接使患者暴露于超出标准临床照护的操作风险；研究人群可能经历与基础心血管和代谢共病相关的住院、疾病进展和其他医疗事件，这些是基础疾病负担的预期后果，不归因于AI筛查干预。试验监督：由试验指导委员会（Trial Steering Committee, TSC）监督，包括主要研究者、各参与站点共同研究者和项目经理；TSC审查总体进展、监测试验入组和数据质量并确保遵循方案；鉴于实用性评价研究的最低风险性质，未设立正式数据安全监查委员会。传播政策：结果将通过国家和国际科学会议报告及同行评议开放获取期刊发表传播；研究方案将在开放获取期刊发表并注册于ClinicalTrials.gov。讨论：SCOUT-Echo-AI评估利用常规TTE的AI赋能机会性肝病筛查策略；在EchoNet-Liver既往回顾性验证基础上，该实用性研究检验AI增强超声心动图能否在不同美国医疗系统的真实世界临床实践中识别既往未诊断的SLD和纤维化肝病；该试验通过将肝病检测嵌入现有心血管工作流程，直接契合更广泛的CKM框架；接受超声心动图的患者常有重叠心脏代谢危险因素，但尽管标准肋下切面可见肝脏，肝病理仍很少被系统评估；EchoNet-Liver作为临床医生决策支持工具，标记SLD或纤维化肝病可能性升高的患者，同时将所有下游检测和管理决定留给治疗临床医生。实用性设计允许各站点根据本地基础设施调整AI算法整合、患者外联和下游评估，同时保持统一资格标准和分析终点；该方法应增强外部有效性并反映AI赋能决策支持在实践中的可能部署方式，同时识别与考虑类似实施的卫生系统相关的AI采纳障碍和促进因素；回顾性验证表现良好的AI模型在前瞻性部署时常见性能衰减，且迄今少有深度学习影像工具在前瞻性或真实世界环境中评价；通过结合AI标记队列与历史和当代对照队列，该研究不仅提供诊断产出和PPV，还提供关于早期检测是否转化为治疗启动和临床结局有意义差异的背景。SLD和纤维化肝病是重大且增长的公共卫生挑战，具有显著发病率、死亡率和经济成本，预计未来数十年增加；SLD和纤维化肝病识别不足代表干预机会缺失，尤其鉴于SLD有效药物治疗的出现以及更早管理纤维化肝病的能力；SCOUT-Echo-AI结果可能建立可扩展、成本有效的筛查范式，将肝病检测整合到常规心血管照护路径，并导致更早诊断、治疗 uptake 增加、协调照护和患者结局改善。局限性：SCOUT-Echo-AI虽为大型多中心前瞻性评价，但非随机对照试验，残余混杂可能影响AI标记参与者与历史或当代对照队列比较；历史常规照护队列超声心动图早于研究开始至多12个月，但该间隔内超声设备、临床工作流程、肝病指南、治疗或患者人群无重大变化，使该时间偏移导致有意义时间偏倚的可能性不大；实用性设计意味着TTE按常规临床实践而非标准化研究方案采集，可能引入图像质量、肝脏显示和AI模型性能在站点、超声供应商和临床设置间的变异；站点特定临床医生通知、外联和下游诊断检测工作流程可能导致随访强度和完成率异质性，使时间至事件结局部分反映工作流程而非算法性能，研究通过预设站点和工作流程分层分析处理；12个月随访虽足以评估初始诊断产出和临床反应，但可能无法捕捉更长期结局如进展至肝失代偿、肝细胞癌发生和肝病相关死亡；结局主要从EHR确认，参与系统外接受的照护可能捕获不全；研究聚焦检测既往未识别SLD和/或纤维化肝病，不评估算法监测疾病进展或管理已确诊肝病的效用；排除既往肝移植、积极肝病科管理、临终关怀入组或限制生命诊断等患者，可能限制普适性；EchoNet-Liver应用于采集完成后的研究，未评估实时床旁设置中的性能，需另行前瞻性验证。结论翻译：总之，SCOUT-Echo-AI是一项前瞻性、多中心、开放标签的实用性干预试验，评估一种应用于常规心脏影像的AI赋能机会性肝病筛查工具。通过将AI推断整合到现有超声心动图工作流程，本研究旨在确定AI增强筛查能否识别既往未诊断的SLD和纤维化肝病，并实质性影响下游临床评估。该试验的发现将为AI赋能诊断支持的真实世界部署提供最佳实践，并为未来随机和长期结局研究奠定基础。关键技术方法（≤250字）：研究采用多中心单臂前瞻性实用性干预设计，样本队列来源于六个美国医疗系统常规临床照护中获得的TTE，约30,000–150,000份/站点、总计至多300,000份；EchoNet-Liver本地部署，流程含视图分类模型（ConvNeXt架构，224×224像素视频输入）识别肋下下腔静脉视图、质量控制模型排除质量不足视频、DenseNet疾病检测模型分析肝实质纹理并输出0–1风险评分，按预设高特异性阈值（纤维化肝病0.83、SLD 0.34）分类；采用Fisher精确检验比较检出率，Cox比例风险回归分析时间至事件结局，并以历史常规照护和当代低于阈值队列为对照，通过EHR进行12个月结局确认。
