（來源：麻省理工科技評論）

心力衰竭的特征是心肌功能減弱或受損，導致液體逐漸在患者的肺部、腿部、腳部和身體其他部位積聚。這種疾病是慢性且無法治愈的，常常引發(fā)心律失?；蛐呐K驟停。在過去的許多個世紀里，放血和水蛭療法是首選治療方式，歐洲的理發(fā)師外科醫(yī)生便以此聞名，那個時代的內科醫(yī)生很少親自為患者動手術。

到了 21 世紀，心衰的管理方式已經遠離了中世紀：如今，患者會接受健康生活方式的調整、處方藥物治療，有時還會使用心臟起搏器。然而，心衰仍然是全球主要的致病和致死原因之一，給各國醫(yī)療系統(tǒng)帶來了沉重負擔。

“大約一半被診斷為心衰的患者會在確診后五年內死亡，”MIT 博士生特婭·貝爾加馬斯基（Teya Bergamaschi）說。她在 Nina T. and Robert H. Rubin 冠名教授科林·斯塔爾茨（Collin Stultz）的實驗室工作，也是一篇介紹心衰預測深度學習模型新論文的共同第一作者。“了解患者在住院后的預后走向，對于分配有限的醫(yī)療資源非常重要?！?/p>

這篇論文由 MIT、Mass General Brigham 和哈佛醫(yī)學院的研究團隊發(fā)表在《柳葉刀電子臨床醫(yī)學》上，展示了 PULSE-HF 模型的開發(fā)和測試結果。PULSE-HF 的全稱大致為“根據心衰患者心電圖預測左心室收縮功能變化”（Predict changes in left ventricULar Systolic function from ECGs of patients who have Heart Failure）。該項目在斯塔爾茨的實驗室完成，該實驗室隸屬于 MIT 阿卜杜勒·拉蒂夫·賈米爾機器學習與健康診所。研究團隊使用麻省總醫(yī)院、布萊根婦女醫(yī)院和 MIMIC-IV（一個公開數(shù)據集）的三個不同患者隊列對模型進行了開發(fā)和回顧性測試，該深度學習模型能夠準確預測左心室射血分數(shù)（LVEF）的變化，即每次心跳時左心室泵出血液的百分比。

健康人的心臟每次跳動大約會從左心室泵出 50% 到 70% 的血液，低于這個范圍則被視為潛在問題的信號。“該模型接收一份心電圖，輸出對未來一年內射血分數(shù)是否會降至 40% 以下的預測，”斯塔爾茨實驗室的 MIT 博士生 Tiffany Yau 說。她也是 PULSE-HF 論文的共同第一作者?！斑@是心衰中最嚴重的亞組?！?/p>

如果 PULSE-HF 預測某位患者的射血分數(shù)可能在一年內惡化，臨床醫(yī)生可以優(yōu)先安排該患者進行隨訪。相應地，低風險患者可以減少就診次數(shù)，減少在身上貼 10 個電極做 12 導聯(lián)心電圖的時間。該模型也可以部署在醫(yī)療資源匱乏的臨床環(huán)境中，例如農村地區(qū)的診所，這些地方通常沒有心臟超聲技師來進行日常超聲檢查。

“PULSE-HF 與其他心衰心電圖方法最大的區(qū)別在于，它做的是預測而非檢測，”Tiffany Yau 說。論文指出，迄今為止，尚無其他方法能夠預測心衰患者未來的 LVEF 下降。

在測試和驗證過程中，研究人員使用了“受試者工作特征曲線下面積”（AUROC）這一指標來衡量 PULSE-HF 的性能。AUROC 通常用于衡量模型在 0 到 1 的范圍內區(qū)分不同類別的能力，0.5 表示隨機猜測，1 表示完美。PULSE-HF 在三個患者隊列中的 AUROC 達到了 0.87 到 0.91。

值得注意的是，研究人員還構建了一個適用于單導聯(lián)心電圖的 PULSE-HF 版本，這意味著只需在身上放置一個電極。雖然 12 導聯(lián)心電圖通常被認為更全面、更準確，但單導聯(lián)版本的 PULSE-HF 表現(xiàn)與 12 導聯(lián)版本同樣出色。

盡管 PULSE-HF 背后的理念簡潔優(yōu)雅，但和大多數(shù)臨床 AI 研究一樣，其執(zhí)行過程極為艱辛?！斑@個項目花了好幾年，”貝爾加馬斯基回憶道，“經歷了很多次迭代?！?/p>

團隊面臨的最大挑戰(zhàn)之一是心電圖和超聲心動圖數(shù)據集的收集、處理和清洗。雖然模型的目標是預測患者的射血分數(shù)，但訓練數(shù)據的標簽并非總是現(xiàn)成的。就像學生需要帶答案的教材來學習一樣，標簽對于幫助機器學習模型正確識別數(shù)據中的模式至關重要。

TXT 格式的干凈線性文本通常最適合訓練模型。但超聲心動圖文件通常以 PDF 格式存儲，將 PDF 轉換為 TXT 文件時，文本會被換行符和格式打斷，模型很難讀取?，F(xiàn)實場景中的不可預測因素，比如躁動的患者或松動的導聯(lián)線，也會影響數(shù)據質量。“有大量信號偽影需要清理，”貝爾加馬斯基說，“這基本上是個無底洞?！?/p>

貝爾加馬斯基和 Tiffany Yau 都承認，更復雜的方法可以幫助過濾數(shù)據以獲取更好的信號，但這些方法的實用性是有限度的?！澳闶裁磿r候該停下來？” Tiffany Yau 問道，“你必須考慮實際使用場景，讓模型能夠處理略有噪聲的數(shù)據，是不是最簡單的方案？”

研究人員預計，PULSE-HF 的下一步將是在真實患者中進行前瞻性研究測試，這些患者未來的射血分數(shù)尚屬未知。

盡管將 PULSE-HF 這類臨床 AI 工具推向終點線面臨重重挑戰(zhàn)，包括可能讓博士延期一年的風險，兩位學生仍覺得多年的辛苦付出是值得的。

“我覺得事情之所以有價值，部分原因就在于它具有挑戰(zhàn)性，”貝爾加馬斯基說，“一個朋友對我說過，‘如果你覺得畢業(yè)后才能找到自己的使命，而它真的是你的使命，那它不會因為你多花一年畢業(yè)就消失?！跈C器學習與健康這個領域，衡量我們研究者的標準和其他 ML 領域的研究者不同。這個社群里的每個人都理解這里存在的獨特挑戰(zhàn)?！?/p>

“這個世界上有太多苦難?！盩iffany Yau 說。一次健康事件讓她意識到機器學習在醫(yī)療領域的重要性，之后她加入了斯塔爾茨的實驗室?！叭魏卧噲D減輕苦難的事情，我都認為值得我為之付出時間?！?/p>

https://news.mit.edu/2026/can-ai-help-predict-which-heart-failure-patients-will-worsen-0312