（麻省理工科技评论）

心力衰竭的特征是心肌功能减弱或受损，导致液体逐渐在患者的肺部、腿部、脚部和身体其他部位积聚。这种疾病是慢性且无法治愈的，常常引发心律失常或心脏骤停。在过去的许多个世纪里，放血和水蛭疗法是首选治疗方式，欧洲的理发师外科医生便以此闻名，那个时代的内科医生很少亲自为患者动手术。

到了 21 世纪，心衰的管理方式已经远离了中世纪：如今，患者会接受健康生活方式的调整、处方药物治疗，有时还会使用心脏起搏器。然而，心衰仍然是全球主要的致病和致死原因之一，给各国医疗系统带来了沉重负担。

“大约一半被诊断为心衰的患者会在确诊后五年内死亡，”MIT 博士生特娅·贝尔加马斯基（Teya Bergamaschi）说。她在 Nina T. and Robert H. Rubin 冠名教授科林·斯塔尔茨（Collin Stultz）的实验室工作，也是一篇介绍心衰预测深度学习模型新论文的共同第一作者。“了解患者在住院后的预后走向，对于分配有限的医疗资源非常重要。”

这篇论文由 MIT、Mass General Brigham 和哈佛医学院的研究团队发表在《柳叶刀电子临床医学》上，展示了 PULSE-HF 模型的开发和测试结果。PULSE-HF 的全称大致为“根据心衰患者心电图预测左心室收缩功能变化”（Predict changes in left ventricULar Systolic function from ECGs of patients who have Heart Failure）。该项目在斯塔尔茨的实验室完成，该实验室隶属于 MIT 阿卜杜勒·拉蒂夫·贾米尔机器学习与健康诊所。研究团队使用麻省总医院、布莱根妇女医院和 MIMIC-IV（一个公开数据集）的三个不同患者队列对模型进行了开发和回顾性测试，该深度学习模型能够准确预测左心室射血分数（LVEF）的变化，即每次心跳时左心室泵出血液的百分比。

健康人的心脏每次跳动大约会从左心室泵出 50% 到 70% 的血液，低于这个范围则被视为潜在问题的信号。“该模型接收一份心电图，输出对未来一年内射血分数是否会降至 40% 以下的预测，”斯塔尔茨实验室的 MIT 博士生 Tiffany Yau 说。她也是 PULSE-HF 论文的共同第一作者。“这是心衰中最严重的亚组。”

如果 PULSE-HF 预测某位患者的射血分数可能在一年内恶化，临床医生可以优先安排该患者进行随访。相应地，低风险患者可以减少就诊次数，减少在身上贴 10 个电极做 12 导联心电图的时间。该模型也可以部署在医疗资源匮乏的临床环境中，例如农村地区的诊所，这些地方通常没有心脏超声技师来进行日常超声检查。

“PULSE-HF 与其他心衰心电图方法最大的区别在于，它做的是预测而非检测，”Tiffany Yau 说。论文指出，迄今为止，尚无其他方法能够预测心衰患者未来的 LVEF 下降。

在测试和验证过程中，研究人员使用了“受试者工作特征曲线下面积”（AUROC）这一指标来衡量 PULSE-HF 的性能。AUROC 通常用于衡量模型在 0 到 1 的范围内区分不同类别的能力，0.5 表示随机猜测，1 表示完美。PULSE-HF 在三个患者队列中的 AUROC 达到了 0.87 到 0.91。

值得注意的是，研究人员还构建了一个适用于单导联心电图的 PULSE-HF 版本，这意味着只需在身上放置一个电极。虽然 12 导联心电图通常被认为更全面、更准确，但单导联版本的 PULSE-HF 表现与 12 导联版本同样出色。

尽管 PULSE-HF 背后的理念简洁优雅，但和大多数临床 AI 研究一样，其执行过程极为艰辛。“这个项目花了好几年，”贝尔加马斯基回忆道，“经历了很多次迭代。”

团队面临的最大挑战之一是心电图和超声心动图数据集的收集、处理和清洗。虽然模型的目标是预测患者的射血分数，但训练数据的标签并非总是现成的。就像学生需要带答案的教材来学习一样，标签对于帮助机器学习模型正确识别数据中的模式至关重要。

TXT 格式的干净线性文本通常最适合训练模型。但超声心动图文件通常以 PDF 格式存储，将 PDF 转换为 TXT 文件时，文本会被换行符和格式打断，模型很难读取。现实场景中的不可预测因素，比如躁动的患者或松动的导联线，也会影响数据质量。“有大量信号伪影需要清理，”贝尔加马斯基说，“这基本上是个无底洞。”

贝尔加马斯基和 Tiffany Yau 都承认，更复杂的方法可以帮助过滤数据以获取更好的信号，但这些方法的实用性是有限度的。“你什么时候该停下来？” Tiffany Yau 问道，“你必须考虑实际使用场景，让模型能够处理略有噪声的数据，是不是最简单的方案？”

研究人员预计，PULSE-HF 的下一步将是在真实患者中进行前瞻性研究测试，这些患者未来的射血分数尚属未知。

尽管将 PULSE-HF 这类临床 AI 工具推向终点线面临重重挑战，包括可能让博士延期一年的风险，两位学生仍觉得多年的辛苦付出是值得的。

“我觉得事情之所以有价值，部分原因就在于它具有挑战性，”贝尔加马斯基说，“一个朋友对我说过，‘如果你觉得毕业后才能找到自己的使命，而它真的是你的使命，那它不会因为你多花一年毕业就消失。’……在机器学习与健康这个领域，衡量我们研究者的标准和其他 ML 领域的研究者不同。这个社群里的每个人都理解这里存在的独特挑战。”

“这个世界上有太多苦难。”Tiffany Yau 说。一次健康事件让她意识到机器学习在医疗领域的重要性，之后她加入了斯塔尔茨的实验室。“任何试图减轻苦难的事情，我都认为值得我为之付出时间。”

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