综述：基于人工智能的心血管疾病风险预测工具的系统性综述

《BMC Medical Informatics and Decision Making》：A scoping review on artificial intelligence-based tools for cardiovascular disease risk prediction

　　

摘要

背景

心血管疾病是全球主要的死亡原因之一，因此早期风险预测对于改善预后至关重要。尽管人工智能模型有望提升预测精度，但其在可解释性、风险因素的可靠性以及是否需要交叉验证等方面仍存在疑问。本综述研究了那些利用基于人工智能的预测模型来评估无明确心血管疾病人群的心血管疾病风险的研究的范围、类型及报告质量。

方法

通过系统检索PubMed、IEEE Xplore、Web of Science、Scopus和Google Scholar，共找到6,710篇相关记录。筛选和数据提取工作遵循PRISMA-ScR框架以及JBI关于综述研究的指南。入选研究均依据TRIPOD-AI报告清单进行评估。该综述的方案已注册在开放科学框架平台（OSF：https://osf.io/8nq6s/）上。

结果

共有30项研究符合纳入标准，且全部发表于2017年之后。这些研究大多利用现有模型处理大规模数据集，主要采用单模态临床数据以及随机森林、支持向量机之类的传统机器学习算法。其中24项研究采用单模态分析方法，6项多模态研究表现较为出色，但其研究基础较为有限且存在多样性问题。有12项研究将所开发的模型与弗雷明汉风险评分等传统风险评分方法进行了直接比较，结果显示两者的区分能力相当或仅有轻微提升，但由于方法上的差异，这些结论的可靠性有待加强。仅有7项研究报告了外部验证结果，30项研究均未报告模型的校准情况（即预测事件率与实际观察到的事件率是否一致）。而用于衡量模型识别真正高风险人群能力的敏感性指标则更是很少被提及，仅有4项研究涉及该指标，且没有研究进行决策曲线分析。

结论

基于人工智能的心血管疾病风险预测工具具有潜力，但在验证、校准结果报告以及临床应用价值评估方面存在明显缺陷，这些问题目前阻碍了其在实际临床中的应用。未来的研究应优先在不同人群中开展外部验证，要求必须报告模型的校准情况、敏感性指标以及区分能力指标，同时采用诸如“用于个体预后或诊断的多变量预测模型的透明报告+人工智能”（TRIPOD+AI）或“预测模型偏差风险评估工具+人工智能”（PROBAST+AI）之类的报告标准和评估工具，以提高研究的透明度与可重复性。