一项常规心脏检查或许能在症状出现前多年提示卒中风险
由Mass General Brigham和Broad Institute研究人员共同领导的一个研究团队开发出一种人工智能模型，可利用标准心电图，简称ECG，来估算患者未来最多10年的卒中风险。这一系统名为ECG2Stroke，使用来自20多万名患者的数据进行了训练和验证，设计上只需一份10秒钟的单次ECG，再加上患者的年龄和性别即可运行。
这项工作指向一种有望规模化应用的方式，可帮助识别那些可能会被传统筛查工具遗漏的人。卒中预防往往取决于能否尽早发现升高的风险并采取行动，但临床风险评分可能较为繁琐，在常规诊疗中也未必始终被一致使用。研究人员认为，依托一种广泛可用、无创且本就在心脏科常见的检查，AI有望帮助弥补这一缺口。
模型从ECG中学到了什么
ECG2Stroke并不依赖一长串临床变量，而是寻找心脏电活动中细微的波形模式。研究人员表示，尽管输入项大幅缩减，这一模型在各家医院和不同患者亚组中的表现，与经过验证的临床风险评分相当。其意义在于，ECG成本低、速度快，而且早已嵌入日常临床工作流程。
该模型先使用马萨诸塞总医院的患者数据开发，随后在布里格姆妇女医院和贝斯以色列女执事医疗中心的患者中进行了测试。这样的多医院验证比单中心概念验证更有说服力，但距离真实世界部署仍有差距。
最强信号：心源性栓塞性卒中
最重要的发现之一，是模型在预测心源性栓塞性卒中方面的准确性。这是一种由心脏内形成血栓，随后进入大脑所引发的卒中亚型。研究人员表示，与心房功能障碍相关的ECG特征，也就是心脏上方腔室相关的特征，对预测结果影响尤为显著。这在临床上很重要，因为如果能及时识别高风险患者，心源性栓塞性卒中往往可以通过抗凝药物预防。
从实际角度看，这一模型似乎捕捉到了标准ECG解读中不易察觉的心脏脆弱性痕迹。如果这些信号在前瞻性研究中得到验证，该工具可帮助临床医生优先安排更密集的监测或预防性治疗。
为什么这在实践中可能很重要
ECG2Stroke的吸引力不仅在于其性能，也在于它与工作流程的契合度。现有卒中风险工具可能准确，但并不总是容易大规模落地。一个可以在临床中已采集的ECG上自动运行的系统，可能更广泛部署，尤其适用于希望以低摩擦方式识别可预防风险的医疗系统。
但这并不意味着该模型已经可以独立改变医疗实践。作者明确表示，仍需要前瞻性的真实世界验证。回顾性数据集中的预测性能是一个重要里程碑，但并不等同于证明临床医生能够在真实诊疗环境中有效、安全且公平地使用该工具。
此外，还有一个更广泛的问题，即这类模型应如何使用。部分被识别为高风险的患者可能需要后续心律监测、影像学检查，或更积极地管理其他心血管风险因素。另一些患者或许更适合密切随访，而非立即干预。该工具的价值不仅取决于预测准确率，也取决于其与决策路径的融合程度。
迈向更被动的预防
即便存在这些保留，这项研究也为不断增长的证据再添一笔，表明AI可以从医疗系统中已有的检查中提取具有临床意义的信号。ECG长期以来一直用于诊断急性或已知的心脏问题。这项研究提示，它也可能成为一种面向未来神经系统风险的静默预测工具。
对于卒中医学而言，这是一个颇具吸引力的想法。卒中往往破坏性极强，而预防远比事后治疗更有效。如果一份10秒钟的ECG能帮助识别那些在事件发生前多年就值得重点关注的患者，它或许能让一部分卒中预防从被动应对转向更早、更常规的筛查。接下来的问题是，这一前景能否在日常医学实践中经受住检验。
本文基于 Medical Xpress 的报道。阅读原文。
Originally published on medicalxpress.com
