發(fā)布時(shí)間： 2025-04-17 16:04:15
2025年3月25日，A. Akerman等人在《Nature Communications》雜志上發(fā)表了一篇題為《External validation of artificial intelligence for detection of heart failure with preserved ejection fraction》的文章。本研究旨在通過(guò)外部驗(yàn)證評(píng)估一種基于深度學(xué)習(xí)的超聲心動(dòng)圖人工智能模型（EchoGo Heart Failure v2）在檢測(cè)射血分?jǐn)?shù)保留型心力衰竭（HFpEF）中的診斷性能，并與現(xiàn)有的多參數(shù)臨床評(píng)分系統(tǒng)（H2FPEF和HFA-PEFF）進(jìn)行比較。
研究背景
HFpEF占所有心衰病例的約50%，但因缺乏統(tǒng)一診斷標(biāo)準(zhǔn)、超聲心動(dòng)圖參數(shù)復(fù)雜且存在中間分類(lèi)（Indeterminate）問(wèn)題，臨床診斷困難。現(xiàn)有臨床評(píng)分（如H2FPEF和HFA-PEFF）依賴(lài)多參數(shù)組合，但存在高中間分類(lèi)率（30%以上）和依賴(lài)完整數(shù)據(jù)的問(wèn)題。AI模型（如EchoGo Heart Failure v1）此前通過(guò)深度學(xué)習(xí)單切面超聲心動(dòng)圖視頻在內(nèi)部驗(yàn)證中表現(xiàn)出高敏感性（87.8%）和特異性（81.9%），但需進(jìn)一步外部驗(yàn)證以確認(rèn)其在不同醫(yī)療機(jī)構(gòu)中的表現(xiàn)。
數(shù)據(jù)來(lái)源
研究納入2018-2022年間在BIDMC接受超聲心動(dòng)圖（TTE）檢查的患者。病例組（n=240）為經(jīng)臨床確診的HFpEF患者（LVEF≥50%，且符合AHA/ACC/HFSA指南標(biāo)準(zhǔn)），對(duì)照組（n=256）按年齡、性別和超聲心動(dòng)圖年份匹配，且無(wú)HF住院史。病例通過(guò)病歷回顧確認(rèn)，包括HF住院記錄（ICD-9/10編碼）和超聲參數(shù)。排除標(biāo)準(zhǔn)包括圖像質(zhì)量差（約5%）或LVEF<50%。病例和對(duì)照組基線特征顯示，病例組更多合并高血壓（87.1% vs. 69.5%）、糖尿?。?1.7% vs. 21.5%）、慢性腎病（47.5% vs. 14.5%）及使用利尿劑（65.8% vs. 14.1%），且超聲參數(shù)更異常（p<0.05）。
研究方法
研究采用多種統(tǒng)計(jì)學(xué)方法全面評(píng)估AI模型的診斷性能及其臨床價(jià)值。首先，通過(guò)受試者工作特征曲線下面積（AUROC）量化模型的區(qū)分度，并與H2FPEF、HFA-PEFF評(píng)分進(jìn)行對(duì)比，使用DeLong檢驗(yàn)分析AUROC的統(tǒng)計(jì)學(xué)差異。校準(zhǔn)性能通過(guò)校準(zhǔn)曲線、截距和斜率參數(shù)評(píng)估預(yù)測(cè)概率與實(shí)際觀察概率的一致性，并輔以Hosmer-Lemeshow檢驗(yàn)驗(yàn)證擬合優(yōu)度。分類(lèi)能力的計(jì)算考慮了中間分類(lèi)的影響，分別報(bào)告了“忽略中間分類(lèi)”（和“僅診斷分類(lèi)”兩種場(chǎng)景下的敏感性、特異性、陽(yáng)性預(yù)測(cè)值（PPV）和陰性預(yù)測(cè)值（NPV）。為進(jìn)一步比較AI模型與現(xiàn)有評(píng)分的增量?jī)r(jià)值，研究采用凈重分類(lèi)改善指數(shù)（NRI）和綜合判別改善指數(shù)（IDI）進(jìn)行再分類(lèi)分析。臨床實(shí)用性方面，通過(guò)決策曲線分析模擬不同診斷閾值下的凈收益（Net Benefit），以量化減少不必要干預(yù)的潛力?；颊哳A(yù)后分析采用Cox比例風(fēng)險(xiǎn)模型評(píng)估AI模型預(yù)測(cè)類(lèi)別（陽(yáng)性、中間、陰性）與復(fù)合終點(diǎn)（全因死亡+心衰住院）的關(guān)聯(lián)，風(fēng)險(xiǎn)比（HR）以95%置信區(qū)間（CI）報(bào)告；同時(shí)使用Fine-Gray模型處理競(jìng)爭(zhēng)風(fēng)險(xiǎn)。亞組分析按年齡、性別、種族及合并癥分層，檢驗(yàn)?zāi)Ｐ托阅艿囊恢滦浴?
結(jié)果
研究人群的基線特征
最終樣本為240例病例和256例對(duì)照（圖1）。所有病例在手動(dòng)圖表審查中均在前一年內(nèi)患有HF，所有對(duì)照在指數(shù)TTE之前或之后的一年內(nèi)均未出現(xiàn)HF?？傮w而言，病例（平均值±SD；74.2±12.1歲，54.2％為女性）和對(duì)照（75.0±13.0歲，55.1％為女性）的年齡和性別分布與匹配預(yù)期的相似。病例組的估計(jì)腎小球?yàn)V過(guò)率較低，NT-proBNP值較高，治療中膽固醇較低，并且更頻繁地使用心臟活性藥物，包括β受體阻滯劑、他汀類(lèi)藥物、鹽皮質(zhì)激素抑制劑、鈣通道阻滯劑、抗血栓藥、袢利尿劑和硝酸鹽（所有p < 0.05）。
模型判別與校準(zhǔn)
AI HFpEF模型（AUROC：0.798，95% CI 0.756–0.799）與H2FPEF評(píng)分（AUROC：0.788，0.745–0.798，差異：p = 0.71；圖2）的鑒別力相似。AI HFpEF模型和H2FPEF評(píng)分均顯示出相似的校準(zhǔn)結(jié)果。AI HFpEF模型（截距：-0.56，-0.82 至 -0.32；斜率：0.44，0.35至0.56）和H2FPEF評(píng)分（截距：-1.00，1.75至-0.40；斜率：0.81，0.58–1.15）的截距和斜率均表明風(fēng)險(xiǎn)估計(jì)過(guò)高。
模型分類(lèi)
表2重點(diǎn)列出了所有模型的分類(lèi)性能。
重新分類(lèi)和添加信息
圖3展示了患者從H2FPEF評(píng)分（圖A）和HFA-PEFF評(píng)分（圖B）重新分類(lèi)到AI HFpEF模型的情況，以及AI HFpEF模型與各評(píng)分的凈分類(lèi)統(tǒng)計(jì)數(shù)據(jù)對(duì)比。在根據(jù)H2FPEF評(píng)分分類(lèi)為中等的患者（n=306）中，AI HFpEF模型也將45例歸類(lèi)為中等，163例歸類(lèi)為HFpEF可能性高，98例歸類(lèi)為HFpEF可能性低。在根據(jù)HFA-PEFF評(píng)分分類(lèi)為中等的患者（n=269）中，AI HFpEF模型也將48例歸類(lèi)為中等，139例歸類(lèi)為HFpEF可能性高，82例歸類(lèi)為HFpEF可能性低。
臨床實(shí)用性
使用決策曲線分析評(píng)估了將AI HFpEF模型整合到臨床實(shí)踐中的臨床效用。基于整合H2FPEF評(píng)分和AI HFpEF模型的診斷信息做出的臨床管理決策優(yōu)于單獨(dú)使用H2FPEF評(píng)分。具體而言，與僅使用H2FPEF評(píng)分相比，使用所有可用信息進(jìn)行干預(yù)的決策可使正確管理的HFpEF患者增加33%，處方數(shù)量絕對(duì)減少9%，并且不會(huì)遺漏任何HFpEF患者；當(dāng)按照中級(jí)AI HFpEF模型分類(lèi)使用臨床評(píng)分而不是其他方法時(shí)，這種益處最大（圖4）。
患者結(jié)果
在中位數(shù)（IQR）25（15-35）個(gè)月的隨訪中，有45例HF住院（10.3%）和61例死亡（14.2%）。根據(jù)AI HFpEF模型，診斷陽(yáng)性結(jié)果與主要復(fù)合終點(diǎn)風(fēng)險(xiǎn)增加2倍相關(guān)（HR 2.56，1.46-4.51，p = 0.001 vs. 診斷陰性結(jié)果），死亡風(fēng)險(xiǎn)增加（HR 2.54，1.27-5.05，p = 0.008），HF住院風(fēng)險(xiǎn)增加3倍（HR 3.15，1.33-7.47，p = 0.009）。
總結(jié)
AI模型（EchoGo Heart Failure v2）在外部驗(yàn)證中表現(xiàn)出與H2FPEF評(píng)分相當(dāng)?shù)膮^(qū)分度，但分類(lèi)能力更優(yōu)（中間分類(lèi)率僅15.1% vs. 61.7%），尤其在復(fù)雜臨床隊(duì)列（如合并結(jié)構(gòu)性心臟病或HFpEF模擬疾?。┲懈邔?shí)用性。AI模型連續(xù)概率輸出提供增量診斷信息，與臨床評(píng)分整合可提升正確決策率（如啟用SGLT2抑制劑）。AI診斷陽(yáng)性患者死亡和心衰住院風(fēng)險(xiǎn)顯著升高，支持其預(yù)后價(jià)值。研究支持將AI模型納入HFpEF診斷路徑以減少漏診，但需前瞻性研究驗(yàn)證其在真實(shí)臨床場(chǎng)景中的影響。
上一篇：基于心電圖的深度學(xué)習(xí)預(yù)測(cè)美國(guó)兒童和成人先天性心臟病的左心室收縮功能障礙：一項(xiàng)多中心建模研究
下一篇：04.14-04.20 臨床預(yù)測(cè)模型研究頂刊快報(bào)
