《Cardiovascular Ultrasound》：Computer modeling to improve measurement of stroke volume with echocardiography
编辑推荐：
背景：每搏输出量（SV）可由人类专家（HE）通过超声心动图测量左心室流出道直径（LVOTd）及其速度-时间积分（VTI）获得。如果已知SV，则可计算心输出量和全身血管阻力。研究人员先前描述了一种机器学习计算机模型（CM）来估计LVOTd。LVOTdC
背景：每搏输出量（SV）可由人类专家（HE）通过超声心动图测量左心室流出道直径（LVOTd）及其速度-时间积分（VTI）获得。如果已知SV，则可计算心输出量和全身血管阻力。研究人员先前描述了一种机器学习计算机模型（CM）来估计LVOTd。LVOTdCM与LVOTdHEM在相较于肺动脉导管（PAC）估算SV方面的准确性尚不清楚。
方法：在20个月的研究期间，对因临床指征放置PAC的患者进行了一项前瞻性观察研究。受试者接受超声心动图检查，同时通过PAC测量SV。使用LVOTdHEM和LVOTdCM以及VTI计算超声SV。通过Bland-Altman分析确定指标与PAC之间的偏差和一致性。
结果：计算机建模改善了超声心动图对每搏输出量的测量。共纳入84例放置PAC的患者。通过人类专家测量LVOTd和VTI，可在59例（70%）中计算SV；而通过LVOTdCM和VTI，可在78例（92%）中计算SV。比较PAC与HEM的Bland-Altman分析显示平均偏差为3.1，95%一致性界限（LOA）为-28.8至34.9。比较PAC与CM时，偏差为1.75，LOA为-29至32.5。
结论：LVOTd的机器学习模型允许仅使用VTI准确计算SV，简化评估的同时将检测率提高了22%。机器学习工具可以降低通过超声心动图获得定量指标的难度。增加客观且可重复的测量将提高超声心动图指导危重症患者治疗的能力。
超声心动图（echocardiography）是评估危重症患者心功能的常用手段，通过测量每搏输出量（SV）可进一步计算心输出量（CO）、心指数（CI）及全身血管阻力（SVR）。SV的测量依赖于左心室流出道直径（LVOTd）和速度-时间积分（VTI）。然而，LVOTd的获取在机械通气患者中极为困难，因肺部过度充气将心脏推挤至内侧和下方，导致胸骨旁长轴切面（PLA）难以获得理想图像。既往研究显示，即使在专家操作下，仅约70%的ICU患者能成功测量LVOTd，而VTI可在90%以上患者中获得。这一障碍限制了定量超声心动图在危重症血流动力学监测中的应用。为克服此问题，研究人员先前开发了一种基于机器学习的计算机模型（CM），通过患者特征（身高、体重、年龄、性别）估算LVOTd，从而免去直接测量。本研究旨在验证该CM估算的LVOTd
CM与人类专家测量值（LVOTd
HEM）在计算SV时的准确性，并以肺动脉导管（PAC）热稀释法作为金标准进行比较。该研究发表于《Cardiovascular Ultrasound》。
研究人员开展了一项前瞻性观察研究，于2015年1月至2017年4月期间，在马里兰大学医学中心（University of Maryland Medical Center）纳入84例因临床指征放置PAC的成人患者，样本来源包括心脏导管室（CCS）和ICU。所有受试者同时进行危重症超声心动图（CCE）和PAC测量。SV计算公式为SV = (LVOTd/2)
2 × π × VTI。LVOTd
HEM由经过培训的ICU医生在注册心脏超声技师监督下获取，LVOTd
CM则由先前基于287例理想窗口超声研究（training/testing dataset）和116例验证集开发的机器学习模型输出。通过Bland-Altman分析和Pearson相关系数比较两种方法相对于PAC的偏差和相关性。
研究结果如下：
**患者纳入与特征**：84例患者中，因LVOTd或VTI无法获取，最终仅59例（70%）具备完整的人类专家测量数据（LVOTd
HEM与VTI），而使用CM后，SV可计算患者增至78例（92%），检测率提升22%。这59例患者中，55%为ICU住院患者，主要来自心脏外科ICU（27%）和普通外科ICU（27%），其余为门诊右心导管检查者；平均年龄61±9.8岁，男性占59%；平均身高172.1±11.1 cm，体重84.3±19.9 kg，体表面积1.97±0.27 m
2；80.4%为窦性心律，8.9%为房颤/房扑，8.9%为起搏心律；30.4%接受机械通气，57%存在瓣膜功能障碍；多数患者（67%）左心室功能正常。
**SV测量准确性**：在59例完整数据中，CM与PAC的Pearson相关系数为0.84，HEM与PAC为0.82，两者均显示良好相关性。Bland-Altman分析示：HEM与PAC的平均偏差为3.1 ml，95%一致性界限（LOA）为-28.8至34.9 ml；CM与PAC的平均偏差为1.75 ml，LOA为-29至32.5 ml。CM的偏差略小于HEM，且LOA范围相近，表明CM在估算SV方面与人类专家测量具同等准确性。
**讨论与结论**：讨论部分指出，LVOTd测量易因图像获取角度错误或卡尺放置不当而产生误差，且其值在SV公式中为平方项，误差会被放大。CM基于客观患者特征，避免了此类操作者依赖性问题，且已在三个独立验证组中得到验证。本研究通过PAC金标准证实，CM估算的SV与HEM无显著差异，且使SV可计算率从70%提升至92%。研究者认为，该工具可简化危重症患者的血流动力学评估，并降低对操作者技能的依赖。论文最终结论为：LVOTd的机器学习模型允许仅使用VTI准确计算SV，简化评估的同时将检测率提高了22%。机器学习工具可以降低通过超声心动图获得定量指标的难度。增加客观且可重复的测量将提高超声心动图指导危重症患者治疗的能力。
