早期發現結構性心臟病對於改善預後至關重要，但廣泛篩查仍然受限於超聲心動圖等影像工具的成本和可及性。近期，人工智慧用於早期發現結構性心臟病的研究成果登上《自然》雜誌。ai獨立分析心電圖（ecg）數據的檢測準確率甚至高於ai輔助下的人類心臟病專家。
這項最新的研究開發了一款名為echonext的人工智慧篩查工具，通過分析常規心電圖（ecg）數據，能夠從中準確識別出有結構性心臟病的患者。這將為下一步確定哪些患者需要進一步接受超聲心動圖診斷進行有效篩選，避免了醫療檢查資源的浪費。
雖然心電圖用途廣泛，但也存在局限性——心電圖無法反映出心臟的結構，僅能為結構性心臟病提供間接診斷依據。超聲心動圖利用超聲波獲取心臟圖像，可用於明確診斷心臟瓣膜病、心肌病、肺動脈高壓以及其他需要藥物或手術治療的心臟結構問題。
目前結構性心臟病都可以通過超聲心動圖明確診斷，但這種診斷方法成本高、需要專業知識以及合適的患者選擇，限制了其全面應用。因此，迫切需要更好地對患者進行風險分層，並確定哪些患者應轉診進行超聲心動圖檢查，從而提高結構性心臟病的診斷率和早期治療率。
在這項最新的研究中，人工智慧模型接受了23萬名患者超過120萬對的心電圖-超聲心動圖的對照訓練，以檢測多種形式的結構性心臟病。此後，團隊對近85000名此前未做過超聲心動圖檢查且正在接受心電圖檢查的患者使用了echonext篩查工具，echonext識別出超過7500名存在未確診的結構性心臟病的高風險。在這些被echonext認定為高風險的人群中，有超過一半人接受了超聲心動圖檢查。結果顯示，ai工具對結構性心臟病診斷的準確率高達77.3%。
研究團隊將echonext模型與人類心臟病專家進行了比較，共有13位心臟病專家對3200份心電圖的評估（其中1600份使用ai輔助，1600份未使用ai輔助，每位心臟病專家平均評估了246份心電圖）來診斷結構性心臟病。結果顯示，在未使用ai輔助的情況下，心臟病專家的準確率為64%；在使用ai輔助的情況下，心臟病專家的準確率提升至69.2%，但仍低於echonext模型檢測的77.3%的準確率。
結構性心臟病在全球有數千萬患者，這是一類影響包括心臟瓣膜、心室壁或心腔功能的疾病，例如心臟瓣膜病、右心和左心衰竭、肺動脈高壓以及左心室肥厚。在疾病進程的早期階段發現患有結構性心臟病患者，已被證明能夠降低死亡率、減少治療成本並提高生活質量。然而，由於缺乏常規且經濟有效的篩查測試，許多有結構性心臟問題的人直到心臟功能嚴重受損時才被發現。
本研究的通訊作者、美國哥倫比亞大學歐文醫學中心心臟病專家、紐約長老會醫院人工智慧醫療主任pierre elias表示：「這些發現支持了人工智慧在大規模擴大心臟病篩查覆蓋面方面的潛力。心電圖+ai，可能開創一種全新的篩查模式。」
研究團隊認為，臨床醫生使用心電圖+ai的分析結果，未來可以通過設定某一個閾值，將人工智慧的專業心電圖解讀與臨床醫生更廣泛、更多樣化的知識相結合，來確定患者是否應該接受超聲心動圖檢查，以盡量避免不必要的檢查。
他們還指出，未來的心臟病風險預測可能會受益於多模態模型，例如整合胸部x光片、實驗室檢驗結果和心電圖等數據，對患者的風險進行更為全面的預測評估。
然而，這種ai檢測的方法也帶來了一些挑戰，例如此類模型的集成和採用的複雜性也大大增加；模型看似表現良好，但泛化能力較差等。針對這些挑戰，都需要在臨床使用的過程中進一步優化和完善。
