早期发现结构性心脏病对于改善预后至关重要，但广泛筛查仍然受限于超声心动图等影像工具的成本和可及性。近期，人工智能用于早期发现结构性心脏病的研究成果登上《自然》杂志。ai独立分析心电图（ecg）数据的检测准确率甚至高于ai辅助下的人类心脏病专家。
这项最新的研究开发了一款名为echonext的人工智能筛查工具，通过分析常规心电图（ecg）数据，能够从中准确识别出有结构性心脏病的患者。这将为下一步确定哪些患者需要进一步接受超声心动图诊断进行有效筛选，避免了医疗检查资源的浪费。
虽然心电图用途广泛，但也存在局限性——心电图无法反映出心脏的结构，仅能为结构性心脏病提供间接诊断依据。超声心动图利用超声波获取心脏图像，可用于明确诊断心脏瓣膜病、心肌病、肺动脉高压以及其他需要药物或手术治疗的心脏结构问题。
目前结构性心脏病都可以通过超声心动图明确诊断，但这种诊断方法成本高、需要专业知识以及合适的患者选择，限制了其全面应用。因此，迫切需要更好地对患者进行风险分层，并确定哪些患者应转诊进行超声心动图检查，从而提高结构性心脏病的诊断率和早期治疗率。
在这项最新的研究中，人工智能模型接受了23万名患者超过120万对的心电图-超声心动图的对照训练，以检测多种形式的结构性心脏病。此后，团队对近85000名此前未做过超声心动图检查且正在接受心电图检查的患者使用了echonext筛查工具，echonext识别出超过7500名存在未确诊的结构性心脏病的高风险。在这些被echonext认定为高风险的人群中，有超过一半人接受了超声心动图检查。结果显示，ai工具对结构性心脏病诊断的准确率高达77.3%。
研究团队将echonext模型与人类心脏病专家进行了比较，共有13位心脏病专家对3200份心电图的评估（其中1600份使用ai辅助，1600份未使用ai辅助，每位心脏病专家平均评估了246份心电图）来诊断结构性心脏病。结果显示，在未使用ai辅助的情况下，心脏病专家的准确率为64%；在使用ai辅助的情况下，心脏病专家的准确率提升至69.2%，但仍低于echonext模型检测的77.3%的准确率。
结构性心脏病在全球有数千万患者，这是一类影响包括心脏瓣膜、心室壁或心腔功能的疾病，例如心脏瓣膜病、右心和左心衰竭、肺动脉高压以及左心室肥厚。在疾病进程的早期阶段发现患有结构性心脏病患者，已被证明能够降低死亡率、减少治疗成本并提高生活质量。然而，由于缺乏常规且经济有效的筛查测试，许多有结构性心脏问题的人直到心脏功能严重受损时才被发现。
本研究的通讯作者、美国哥伦比亚大学欧文医学中心心脏病专家、纽约长老会医院人工智能医疗主任pierre elias表示：“这些发现支持了人工智能在大规模扩大心脏病筛查覆盖面方面的潜力。心电图+ai，可能开创一种全新的筛查模式。”
研究团队认为，临床医生使用心电图+ai的分析结果，未来可以通过设定某一个阈值，将人工智能的专业心电图解读与临床医生更广泛、更多样化的知识相结合，来确定患者是否应该接受超声心动图检查，以尽量避免不必要的检查。
他们还指出，未来的心脏病风险预测可能会受益于多模态模型，例如整合胸部x光片、实验室检验结果和心电图等数据，对患者的风险进行更为全面的预测评估。
然而，这种ai检测的方法也带来了一些挑战，例如此类模型的集成和采用的复杂性也大大增加；模型看似表现良好，但泛化能力较差等。针对这些挑战，都需要在临床使用的过程中进一步优化和完善。
