新型AI能更准确预测疑似或已知心脏病患者的死亡风险
资料图
跟基于临床数据的传统方法不同，新评分还包括心脏的成像信息，由压力心血管磁共振(CMR)测量。“压力”是指患者在磁共振成像扫描仪中时被给予一种药物以模拟运动对心脏的影响。
研究作者、美国巴尔的摩约翰-霍普金斯医院的Theo Pezel博士指出：“这是第一个显示机器学习跟临床参数加上压力CMR能够非常准确地预测死亡风险的研究。研究结果表明，有胸痛、呼吸困难或心血管疾病风险因素的患者应该接受应激性CMR检查并计算其得分。这将使我们能为那些最需要的人提供更密集的随访和运动、饮食等方面的建议。”
风险分层通常用于心血管疾病患者或高风险患者，以此来调整旨在预防心脏病发作、中风和心脏猝死的管理。传统的计算器使用有限的临床信息如年龄、性别、吸烟状况、血压和胆固醇。这项研究检验了机器学习利用应激性CMR和临床数据预测疑似或已知冠状动脉疾病患者10年全因死亡率的准确性并将其性能跟现有评分进行了比较。
Pezel博士解释称：“对于临床医生来说，我们从病人身上收集的一些信息可能看起来跟风险分层无关。但机器学习可以同时分析大量的变量并可能发现我们不知道存在的关联从而改善风险预测。”
该研究纳入了2008年至2018年期间因胸痛、劳累时呼吸短促或心血管疾病高风险但无症状而转诊至巴黎某中心进行压力CMR的31752名患者。高风险被定义为至少有两个风险因素，如高血压、糖尿病、血脂异常和当前吸烟。平均年龄为64岁，66%为男性。研究人员收集了23个临床参数和11个CMR参数的信息。他们对患者进行了中位数为6年的全因死亡随访，这是从法国国家死亡登记处获得的。在随访期间，2679名（8.4%）患者死亡。
机器学习则分两步进行：首先，它被用来选择哪些临床和CMR参数可以预测死亡，哪些不可以；其次，机器学习被用来在第一步确定的重要参数的基础上建立一个算法，对每个参数分配不同的重点以创建最佳预测，然后再给患者在10年内死亡的可能性打出0（低风险）到10（高风险）的分数。
机器学习得分能够预测哪些病人会活着或死亡，准确率为76%（在统计学上，曲线下面积为0.76）。Pezel博士表示：“这意味着在约3/4的病人中，该分数做出了正确的预测。”
通过使用相同的数据，研究人员使用既定的评分计算出10年全因死亡的风险，这些都没有使用机器学习。跟其他评分相比，机器学习评分在预测10年全因死亡率方面的曲线下面积明显更高：SCORE = 0.66，QRISK3 = 0.64，FRS = 0.63，C-CMR-10 = 0.68。
Pezel表示：“应激性CMR是一种安全的技术，不使用辐射。我们的研究结果表明，在AI产生的算法中把这种成像信息跟临床数据结合起来可能是一种有用的工具，它有助于预防有心血管症状或危险因素的病人的心血管疾病和心脏猝死。”
