新工具预测炎症性心脏病猝死

约翰霍普金斯大学的科学家们开发了一种新的工具，可以预测哪些患有复杂炎症性心脏病的患者有心脏骤停的风险。发表在科学的进步在美国，他们的方法首次将由多幅图像构建的患者心脏模型与机器学习的能力结合起来。

“这种强大的新型个性化技术在预测未来方面优于临床指标心律失常并且可以改变心脏结节病患者的管理，”约翰霍普金斯大学生物医学工程教授、心血管诊断和治疗创新联盟(ADVANCE)联合主任、资深作者Natalia Trayanova说。

医生目前还没有准确的方法来评估哪些患有心脏结节病的患者可能患有致命的心律失常，这意味着一些患者无法存活，而另一些患者则需要进行不必要的侵入性干预。该研究中引用的一项最近的荟萃分析发现，大约只有三分之一的CS患者接受了充分的治疗。

“临床迫切需要更好的预测工具，”特拉亚诺娃说，他也是约翰霍普金斯大学医学院的教授。“一些CS患者往往在他们生命的黄金时期死亡，而另一些患者则在不必要的情况下植入了除颤器，并经常处理并发症，包括感染、设备故障和不适当的电击，而没有得到任何真正的好处。”

在他们的研究中，研究人员创建了45名在约翰霍普金斯医院接受治疗的CS患者心脏的数字三维模型。为了做到这一点，他们采用了一种新方法，将两种不同类型的心脏扫描数据结合起来:对比增强心脏核磁共振成像，用于检测纤维化或瘢痕，PET扫描，用于检测炎症。

特拉亚诺娃说:“这些个性化的心脏模型是第一个用多种成像方式的数据创建的同类模型。”特拉亚诺娃的实验室开创了心脏机械建模技术。“纤维化和炎症的联合作用以前从未在心脏模型中表现出来。”

团队使用了计算机模拟在每个模型的不同位置应用一系列电信号并收集了数百万个数据点测量每颗心脏的反应。

特拉亚诺娃说:“我们收集了非常高维的数据，目的是了解疤痕和炎症的各种特征如何影响心跳。”

然后，该团队结合来自机械模拟的数据，以及额外的患者和成像数据，开发和训练一种算法来预测导致心脏骤停的心律失常的可能性。

该研究的主要作者、特拉亚诺娃实验室生物医学工程博士候选人朱莉·谢德(Julie Shade)说:“在像CS这样既有疤痕又有炎症的复杂疾病中，学习机械模拟结果使我们能够将它们与现实世界的结果联系起来。”

该工具在预测CS患者心脏骤停方面明显优于标准临床指标。

为了完善算法，该团队还进行了密集的交叉验证过程，评估当删除不同的数据子集时是否达到了相同的精度，这表明该工具可能在未来的患者身上表现如何。总而言之，团队进行了560次交叉验证迭代。

Shade说:“我们能够以95%的信心估计该工具对新患者的准确性，这意味着我们相对确定该算法不会因训练数据而产生偏差，因此在应用于新患者时是准确的。”

最后，研究小组将他们的模拟结果与患者心脏病变的扫描结果进行了比较，这些患者随后接受了重置心跳的手术，发现他们的预测与实际结果一致。

还需要进行大规模的临床研究，但该团队希望他们的工具可以改变CS患者的管理，减少不必要的除颤器植入数量，同时确保有心脏性猝死风险的患者得到保护。

特拉亚诺娃表示，个性化模型和机器学习的协同使用，以前从未被用于解决心血管医疗保健中的问题，也可以帮助解决在医疗保健中实施人工智能的最大挑战之一:数据缺乏。

特拉亚诺娃说:“为了实现精度，人工智能疾病预测技术通常需要来自不同患者群体的大量数据。”但在这种情况下，来自心脏模型的数据的复杂性简化了学习过程。”,因为心模型体现了成熟的、确定性的原则，不需要通过算法学习，风险预测器可以在小患者队列中实现出色的表现，”她说。