Evaluating the Incremental Value of AI-Derived ECG Features Beyond Automated ECG Reports and Clinical Data for 30-Day Mortality: A MIMIC-IV Cohort Study
这项基于 MIMIC-IV 的队列研究表明，尽管 AI 衍生的心电图特征在预测 30 天死亡率方面显著优于传统的形态学测量指标，但其相对于现有自动化报告和基础临床数据的增量价值微乎其微且具有不确定性，且在整体性能表现上，不同患者亚组的优先侧重点有所不同。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
每年，都有数百万人走进医院，接受一种被称为心电图（ECG）的简单、无痛的检查。这种机器将心脏的电活动记录为屏幕上的一条波浪线，捕捉心脏在那个瞬间跳动的快照。几十年来，医生一直依靠这些线条来发现问题，寻找能够预示心肌梗死或其他严重状况的特定形状。如今，计算机可以自动读取这些线条，测量波形的上升高度和宽度，并生成一份总结其所见内容的简短报告。但随着人工智能变得日益强大，研究人员开始提出了一个难题：这些复杂的新型计算机模型，是否看到了标准报告和医生笔记中所遗漏的东西？具体来说，一个经过训练以识别原始电波中细微模式的深度学习系统，能否比我们每天使用的工具更准确地预测谁会在一个月内死亡？
为了回答这个问题，一组研究人员通过查看波士顿一家医院的大量医疗记录进行了研究。他们重点关注了超过 25,000 名曾接受过心电图检查的住院成年人。对于每位患者，研究人员收集了三种不同类型的信息，以观察哪一种是预测患者是否会在三十天内去世的最佳指标。第一种类型是原始数据本身，将其输入到一个复杂的深度学习模型中，该模型已在数百万次心跳数据上进行了训练，旨在理解波形的形状。第二种类型是一组可以通过人工从同样的波形中计算出的十五项特定测量值，例如某些波峰和波谷的持续时间。第三种类型是医院计算机生成的实际自动化报告，以及关于患者的基本信息，如年龄、性别以及他们在入院前已知的病史。
研究人员比较了这些方法在对风险进行排序方面的表现。他们发现，人工智能模型的表现确实优于简单的手工计算测量值。当仅观察心脏波形时，人工智能模型正确识别出死亡患者的频率比基础测量值高出约 7.5%。即使在加入患者的年龄、性别和病史后，这一差距依然存在，尽管优势略有缩小。在这种特定的对比中，人工智能显然捕捉到了简单测量值未能捕捉到的信息。
然而，当研究人员将人工智能与完整的医院自动化报告进行对比时，情况发生了变化。这份报告是医生在电脑屏幕上实际看到的，它包含了基础测量值，以及由医院自有软件生成的长篇诊断陈述和摘要。当研究人员让先进的人工智能与这份更丰富、更完整的报告进行对决时，其优势几乎消失了。人工智能模型的表现并不显著优于标准的自动化报告，在某些测试中，两者的差异微小到可能仅仅是由于偶然因素造成的。这表明，标准的医院报告已经捕捉到了心脏波形中隐藏的大部分有用信息，留给这种新型人工智能进行补充的空间非常有限。
或许最令人惊讶的发现是关于谁会被标记出来进行审查。在真实的医院中，医生无法查看每一个病人的病历；他们必须选择哪些人需要更仔细地检查。研究人员模拟了一个场景：如果只能审查风险排名最高的 5% 的患者。他们发现，人工智能模型和标准报告选出的死亡患者数量几乎相同，但它们选出的对象却完全不同。人工智能标记了 136 名被标准报告遗漏的患者，但也漏掉了 95 名被标准报告捕捉到的患者。这意味着，即使两种工具在平均预测死亡率方面表现相当，它们引导医生去查看的群体也可能完全不同。一种工具可能会通过捕捉另一种工具错过的患者来挽救生命，而另一种工具则可能错过第一个工具捕捉到的患者。
研究还探讨了这种成功在多大程度上源于人工智能此前接受过海量心脏数据的训练。他们测试了一个全新的、未经训练的计算机网络，在给予其与特定患者研究中相同学习时间的情况下，是否能做得同样好。他们发现，当有充足的数据可供学习时，预训练的人工智能与新的、未经训练的网络表现几乎完全一致。只有当研究人员尝试从极少量的数据中进行学习时，拥有预训练经验的优势才变得明显。这暗示，这些先进模型的强大之处可能更多取决于可用数据的规模，而非模型本身的复杂度。
最后，研究人员测试了这些发现是否能在完全不同的环境下成立。他们将基于美国医院数据训练的模型应用于一组巴西患者，这些患者从未在美方医疗系统中就诊过。即便是在这个新的群体中，面对不同的医疗体系以及长达一年的观察期（而非三十天），人工智能模型仍然比基础测量值保持了微弱的优势。然而，与完整的自动化报告相比，这一差距显著缩小，这进一步印证了标准工具已经做得非常出色。
研究人员得出结论：虽然人工智能可以从心脏波形中提取出简单测量值无法获取的有价值信息，但其改进完整自动化医院报告的能力是有限且具有不确定性的。这些新工具真正的价值可能不在于单纯预测死亡，而在于它们如何改变医生选择观察的患者对象。由于人工智能和标准报告优先考虑的患者群体不同，使用人工智能可能意味着一些原本会被忽视的高风险个体将获得关注，同时也可能导致一些原本会被捕捉到的患者被漏掉。在这些工具被用于改变医院运作方式之前，还需要更多的研究来明确究竟哪些患者能从这种转变中获益，以及运行这些复杂系统的成本是否值得其在“救治对象差异”上带来的回报。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。