跳到正文
原文
ScienceDaily Health & Medicine·· 5 天前精选AI 评分85

AI发现隐藏的心脏信号或可预测猝死

AI discovers a hidden heart signal that could predict sudden death

AI 导读

研究人员利用AI分析了440,000份心电图数据,发现新的心脏信号,有助于识别高风险患者。该技术无需额外测试,已在瑞典、台湾和美国的患者数据中得到验证。

推荐理由

AI系统在大规模心电图数据中发现了新的心脏信号,有助于识别高风险患者。

正文 · AI 翻译

在美国,每年有超过30万人死于心脏骤停。这种致命的紧急情况发生时,心脏的电信号系统突然衰竭,导致心脏停止泵血。它可能袭击已患有心脏病的老年人,也可能袭击看似健康的年轻运动员。虽然植入式心律转复除颤器可以预防部分此类死亡,但医生一直难以确定哪些患者最需要这类器械。

如今,加州大学伯克利分校的研究人员发现了一种常规心脏扫描中被忽视的警示信号,这有助于在致命事件发生前更容易地识别出高风险人群。

这项发现是基于使用人工智能对瑞典收集的超过44万份心电图进行分析得出的。研究人员将这些扫描中记录的电信号模式与死亡证明上的信息进行比较,教会AI系统识别健康个体、已知心脏病风险患者以及最终死于心脏骤停人群之间的微妙差异。

随后,该团队利用来自美国和台湾的数千份额外患者记录评估了这一技术,测试这些信号模式是否能在不同人群中可靠地识别出高风险个体。

AI检测出标准检查遗漏的隐匿性心脏风险

研究结果显示,人工智能比医生通常依赖的传统检测方法能更有效地识别高危患者。当前的筛查方法主要集中在每次心跳时心脏泵出的血量——这一测量指标被用于评估某人是否需要植入式心律转复除颤器。

采用传统测量方法,医生可以识别出一组年心脏骤停死亡率高达4.6%的患者群体。然而,人工智能系统却识别出了一组年死亡率达7%的患者群体,显示出更强的区分高危患者的能力。

值得注意的是,该算法还识别出了更广泛的高风险人群,其中包括数千名在传统医学指南下通常不会被认为存在问题的患者。其中大多数人若用常规方法评估会被归为相对低风险类别。

另一个重要优势是,该AI系统使用的是一般的静息心电图,而这类检查已在医院和医疗中心常规开展。这意味着这项技术有望在不需全新检测手段的前提下提升筛查效果。

这项发表于《Nature》的研究成果,未来可能帮助医生更全面地判断谁应当接受植入式心律转复除颤器的植入治疗。同时也提出了一个引人深思的科学问题:究竟是什么样的心脏内部变化产生了人工智能所学习的电生理模式?

"医疗决策非常困难,这也是我觉得AI最令人振奋的地方,"加州大学伯克利分校公共卫生学院副教授、本研究通讯作者齐亚德·奥贝迈耶表示,"我们不仅能做出更好的决策,还能开始理解患者在心脏骤停前究竟发生了什么。"

为何心脏骤停如此难以预测

心脏骤停不同于心肌梗死。心肌梗死发生时,心脏某部分血流受阻或严重受限。相比之下,心脏骤停是由于协调心跳的电信号故障所致。

即时实施心肺复苏并使用自动体外除颤仪电击有时可以恢复心脏节律。然而,大约90%在医院外突发心脏骤停的患者会在数分钟内死亡,因此早期识别高风险人群尤为重要。

奥伯迈耶(Obermeyer)是一名急诊医生,其研究结合人工智能、医学和卫生政策,他认为心脏性猝死仍是医学领域最令人沮丧的未解难题之一。

由于患者往往毫无预警地猝死,研究人员很少有机会观察心脏骤停前内部发生的情况。尸检可能会发现血管阻塞、组织硬化或其他结构异常,但无法完全揭示死亡前那一刻的心脏功能状态。

"这个问题之所以非常悲惨,但也非常适合用人工智能来解决,是因为我们已有应对该问题的方案。"奥伯迈耶说,"如果你知道自己有猝死风险,你就会去找心脏病专家,并植入除颤器。问题在于,医生无法在为时已晚之前判断谁需要这样的装置。"

当前心脏风险筛查的困境

目前,医生主要依靠衡量心脏每次搏动泵血效率的指标进行评估。心脏泵血功能低于特定阈值的患者可能会被考虑使用植入式心律转复除颤器(ICD),这种设备能在危险心律失常发生时提供电击。

但获取这一测量值通常需要进行更广泛的医学评估。许多最终经历心脏骤停的人从未接受此类检查,因为他们没有明显迹象表明自身处于危险之中。

这种方法对已确定为高危患者的局限性也很明显。在这些患者植入的除颤器中,约三分之二实际上从不需要进行电击。因此,许多人接受了昂贵且具侵入性的手术,去预防可能永远不会发生的致命紧急情况。

与此同时,每年仍有数千名未被识别为高风险的患者意外死亡。

"在这部分人群中,如果我们能提前知晓,本可避免这些死亡。"奥伯迈耶表示,"因心脏性猝死而丧失生命的人数众多,而这些死亡本可通过更完善的AI工具加以预防。"

研究人员希望,通过识别更准确的警示信号,能够帮助医生将预防性治疗定向用于最可能受益的患者群体。

研究人员如何训练AI识别致命心脏模式

开发该算法需要整合来自全球不同地区的三组独立医学数据集。

研究人员首先使用了瑞典统一医疗系统中六年的心电图(EKG)记录。通过将扫描结果与死亡证明关联,他们可以分析后来发生心脏性猝死患者的电生理模式,并将其与其他患者的数据进行对比。

该AI学会了识别记录中出现的尖波、波形及其他特征的组合,这些组合似乎与风险增加有关。在系统完成训练后,团队用两个额外的数据集对其进行了测试:圣地亚哥医院系统两年的匿名心电图记录,以及来自台北的另一批患者数据。

这项国际测试帮助研究人员评估该算法的预测能力是否超出了用于开发它的瑞典人群。

"好的AI始于好的数据,"Obermeyer说,他也是加州大学旧金山分校和加州大学伯克利分校联合 Computational Precision Health 项目的一部分。"不幸的是,我们用于这项研究的数据很难获取。这正是当今临床AI应用如此稀少的重要原因之一。"

获取和整理这些信息本身就是一项巨大的工程。据 Obermeyer 介绍,组建这些数据集大约花了10年时间,并得到了他帮助建立的两个组织的贡献:Dandelion Health 和 Nightingale Open Science。这两个组织都致力于通过更好地获得数据和人工智能来推进医学研究。

"在伯克利拥有这种极大的幸运,"Obermeyer说,"你可以追求那些只是缓慢燃烧的项目,然后在冲过终点线时获得——希望——丰厚的回报。"

从隐藏的心脏信号到挽救生命的治疗

研究人员已经开始探索该系统如何在实际医疗环境中使用。

Obermeyer 正在与瑞典、台湾和美国的医疗系统合作,将该算法引入医院心电图数据库。目标是审查现有心脏扫描以发现风险升高的迹象,并确定可能需要额外监测的患者。

按照拟议的方法,医生将联系那些心电图被评估为高风险的患者,并提供让他们佩戴一个持续记录心脏电活动的贴片的机会。

这些更长的记录可能提供有关由 AI 检测到的预警信号负责的生物过程的有价值线索。了解这些过程可能有助于研究人员解释为什么某些心脏更容易突然发生致命的电扰动。

对于某些患者,额外信息最终可能支持接受植入式心律转复除颤器的建议,这可能预防突发且原本意想不到的死亡。

Obermeyer 还创建了一个网站,对了解自己风险感兴趣的人可以在这里提供基本个人信息和电子邮件地址。该技术变得更加广泛可用后,研究团队就可以与他们联系进行心电图分析。

AI能否揭示关于人类心脏的新秘密?

除了改善心源性猝死预防的潜力外,这一发现还突显了人工智能如何帮助科学家调查长期以来抵抗常规方法的医学谜团。

该算法不只是简单地识别可能需要治疗的患者,它还发现了研究人员尚未完全理解的心脏活动中的模式。研究这些信号可能会导致对导致心源性猝死的电扰动的新见解,并可能揭示额外的预防机会。

奥伯迈耶认为,这种发现此前未被认识的生物模式的能力,可能成为人工智能对医学最重要的贡献之一,在帮助医生做出更好决策的同时,也为研究开辟了新的方向。

“此外,这些工具还将催生一种全新的科研方式,”奥伯迈耶表示,“想到这一切是如何逐步实现的,还挺有意思的。”

来源:ScienceDaily Health & Medicine · sciencedaily.com