一種新型的人工智慧（AI）評分對疑似或已知冠狀動脈疾病患者在10年內死亡的可能性的預測比全世界衛生專業人員使用的既定評分更加準確。 這項研究今日在歐洲心臟病學會（ESC）的科學大會EuroEcho 2021上發表。

資料圖

跟基於臨床數據的傳統方法不同，新評分還包括心臟的成像資訊，由壓力心血管磁共振（CMR）測量。 “壓力”是指患者在磁共振成像掃描器中時被給予一種藥物以模擬運動對心臟的影響。

研究作者、美國巴爾的摩約翰-霍普金斯醫院的Theo Pezel博士指出：「這是第一個顯示機器學習跟臨床參數加上壓力CMR能夠非常準確地預測死亡風險的研究。 研究結果表明，有胸痛、呼吸困難或心血管疾病風險因素的患者應該接受應激性CMR檢查並計算其得分。 這將使我們能為那些最需要的人提供更密集的隨訪和運動、飲食等方面的建議。 ”

風險分層通常用於心血管疾病患者或高風險患者，以此來調整旨在預防心臟病發作、中風和心臟猝死的管理。 傳統的計算機使用有限的臨床資訊如年齡、性別、吸煙狀況、血壓和膽固醇。 這項研究檢驗了機器學習利用應激性CMR和臨床數據預測疑似或已知冠狀動脈疾病患者10年全因死亡率的準確性並將其性能跟現有評分進行了比較。

Pezel博士解釋稱：「對於臨床醫生來說，我們從病人身上收集的一些資訊可能看起來跟風險分層無關。 但機器學習可以同時分析大量的變數並可能發現我們不知道存在的關聯從而改善風險預測。 ”

該研究納入了2008年至2018年期間因胸痛、勞累時呼吸短促或心血管疾病高風險但無癥狀而轉診至巴黎某中心進行壓力CMR的31752名患者。 高風險被定義為至少有兩個風險因素，如高血壓、糖尿病、血脂異常和當前吸煙。 平均年齡為64歲，66%為男性。 研究人員收集了23個臨床參數和11個CMR參數的資訊。 他們對患者進行了中位數為6年的全因死亡隨訪，這是從法國國家死亡登記處獲得的。 在隨訪期間，2679名（8.4%）患者死亡。

機器學習則分兩步進行：首先，它被用來選擇哪些臨床和CMR參數可以預測死亡，哪些不可以;其次，機器學習被用來在第一步確定的重要參數的基礎上建立一個演算法，對每個參數分配不同的重點以創建最佳預測，然後再給患者在10年內死亡的可能性打出0（低風險）到10（高風險）的分數。

機器學習得分能夠預測哪些病人會活著或死亡，準確率為76%（在統計學上，曲線下面積為0.76）。 Pezel博士表示：「這意味著在約3/4的病人中，該分數做出了正確的預測。 ”

通過使用相同的數據，研究人員使用既定的評分計算出10年全因死亡的風險，這些都沒有使用機器學習。 跟其他評分相比，機器學習評分在預測10年全因死亡率方面的曲線下面積明顯更高：SCORE = 0.66，QRISK3 = 0.64，FRS = 0.63，C-CMR-10 = 0.68。

Pezel表示：「應激性CMR是一種安全的技術，不使用輻射。 我們的研究結果表明，在AI產生的演算法中把這種成像資訊跟臨床數據結合起來可能是一種有用的工具，它有助於預防有心血管癥狀或危險因素的病人的心血管疾病和心臟猝死。 ”