臨床研究 · global
先評分、再用AI讀心臟超音波:研究提高HFpEF病例辨識率
在280名疑似HFpEF的轉診患者中,分階段加入AI影像分析,讓已確認病例的辨識比例由48%升至78%。這項結果支持診斷流程的進一步驗證,但尚不能推論一般門診也有相同表現。
心臟射出血液的比例維持正常,不代表心臟功能毫無問題。「保留射出分率心臟衰竭」(HFpEF)的診斷難題,正在於如何找出這些容易被單一指標掩蓋的患者。《Journal of Cardiac Failure》11月刊的一項研究顯示,先做臨床評分,再針對部分患者加入AI心臟超音波分析,可能補上既有診斷流程的缺口。
研究納入280名因疑似HFpEF而轉診的門診患者,其中222人、約79%被研究判定患有HFpEF。研究團隊將EchoGo HF模型用於靜息時的心臟超音波影片;模型讀取的是可同時呈現四個心腔的心尖四腔室切面,再與H₂FPEF臨床評分比較,評估影像分析能否提供額外線索。
這項驗證關注的是心臟充填壓力,而不只是影像外觀。患者接受運動血流動力學評估;摘要列出的疾病判定條件,涵蓋右心導管量測的靜息或運動充填壓力升高,也包括靜息或運動超音波的E/e′指標。因此,解讀結果時仍須留意其參考標準包含不同檢查方式,不能將所有病例一概理解為均由侵入性檢查確認。
最具實務意義的發現,來自一個兩步驟策略:先計算H₂FPEF分數,再對低分或中等分數者選擇性使用AI。這個流程辨識出78%的已確認病例,單靠評分則為48%,相差30個百分點。這裡的78%是已患病者被找出的比例,並非所有受測者的整體診斷準確率,也不是AI單獨使用的表現。
單看EchoGo HF,研究報告的敏感度為67.3%、特異度為68.5%,顯示模型仍會漏掉病例,也會把部分未患病者判為陽性。此外,15人、約占全體5%,得到的是不確定分類。這些結果提醒,AI輸出仍需要放回臨床資料與後續檢查中判讀,尚不足以獨自承擔確診或排除疾病的工作。
將AI與H₂FPEF結合後,衡量區分患病與未患病能力的AUROC,由0.656提高至0.724,差異達統計顯著(P=0.021)。改善主要出現在低分與中等分數患者。研究也發現,AI判為HFpEF與較高的肺微血管楔壓、較低的運動尖峰攝氧量各自具有獨立關聯,提示模型辨識到的影像訊號可能與生理功能受損有關,但這種關聯仍不等於證明其判讀機制。
這批患者已因疑似疾病而轉診,且近八成患病,與一般門診或無症狀篩檢族群有明顯差異。研究支持的是在特定診斷流程中繼續驗證AI的價值,尚未證明採用後能減少侵入性檢查、提早有效治療或改善預後;論文也揭露有作者任職於模型開發商Ultromics。接下來需要前瞻性研究,在不同醫療場域檢驗這套流程如何影響檢查安排與患者結果。