2022年8月27日，今天在ESC 2022大会 Hot Line会议上公布的最新研究，在接受超声心动图心脏功能评估的患者中，人工智能（AI）的初步评估优于超声心动图初步评估。

美国洛杉矶Cedars-Sinai的Smidt心脏研究所的David Ouyang博士说：“人工智能（AI）在医学中的应用一直令人兴奋，但这些技术很少在前瞻性临床试验中得到评估。我们之前开发了首批AI技术之一，用于评估超声心动图中的心脏功能（左心室射血分数；LVEF），在这项盲法、随机试验中，我们将其与超声医师的描记进行了头对头比较。与超声医师追踪相比，这项试验的动力显示了 AI 的非劣效性，因此当结果实际上显示出相对于预先指定的结果的优越性时，我们感到惊喜。”

准确评估LVEF对于诊断心血管疾病和做出治疗决策至关重要。人工评估通常基于少量心动周期，这可能导致观察者间的高度变异性。EchoNet Dynamic是一种深度学习算法，在超声心动图视频上进行训练以评估心脏功能，之前显示评估LVEF的平均绝对误差为4.1-6.0%。该算法使用多个心动周期的信息来最大限度地减少误差并产生一致的结果。

EchoNet RCT测试AI或超声医师对LVEF的评估是否更频繁地由复查心脏病专家进行调整。通过超声心动图确定LVEF的标准临床工作流程是超声医师对患者进行扫描、超声医师提供 LVEF 的初步评估、然后心脏病专家审查评估以提供 LVEF 的最终报告。在这项临床试验中，超声医师的扫描以 1:1 的比例随机分配给 AI 初步评估或超声医师初步评估，之后在盲态下由心脏病专家审查评估并提供LVEF的最终报告（见图）。

研究人员比较了心脏病专家在多大程度上改变了人工智能的初步评估，以及他们改变了多少超声医师的初步评估。主要终点是初始评估（AI 或超声医师）和最终心脏病专家报告之间 LVEF 变化大于 5% 的频率。该试验旨在测试非劣效性，次要目标是测试优越性。

该研究最终纳入3495例伴有不同合并症的患者进行超声心动图检查，其中AI组有1740例患者，超声检查组有1755例患者。研究设计流程图详见图3，人群基线表详见图4。AI组和超声检查组中发生主要终点事件的人群百分比分别为16.8%和27.2%（平均差：-10.5，95%CI：-13.2% ~ -7.7%，P＜0.001）。在心脏病医师报告结果和心脏病专家报告结果之间的差异方面，AI组和超声检查组的人群百分比分别为50.1%和54.5%（平均差：-4.5，95%CI：-7.8% ~ -1.2%，P=0.008）。在超声医师评估结果时间及心脏病医师评估结果时间方面可见AI组评估时间较超声检查组时间短，且差异具有统计学意义，详见图5。随后的亚组分析结果显示，在不同LVEF测量方法、人种、性别、超声心动图图像治疗及院内/院外亚组之间，AI组的平均绝对误差较超声检查组均减小，且差异具有统计学意义，详见图。

AI 组发生显著变化的研究比例为 16.8%，超声医师检查组为 27.2%（差异为 -10.4%，95% 置信区间 [CI] -13.2% 至 -7.7%，非劣效性 p<0.001，优效性p<0.001）。安全终点是最终心脏病专家报告与历史心脏病专家报告之间的差异。 AI 组的平均绝对差异为 6.29%，超声检查组为 7.23%（差异 -0.96%，95% CI -1.34% 至 -0.54%，优效性检验p<0.001）。

Ouyang博士说：“我们从一项AI算法的随机试验中学到了很多，这在心脏病学中是前所未有的。首先，我们了解到这种类型的试验在正确的环境下是非常可行的，在这种情况下，人工智能算法可以以盲法的方式集成到通常的临床工作流程中。其次，我们了解到在这种情况下，盲法确实可以很好地工作。我们问研究中的心脏病专家猜测他们是否认为他们刚刚审查过的复查是由AI或超声检查师进行的，结果他们无法分辨出差异，这两者都说明了AI算法的强大性能以及无缝集成到临床软件中。我们相信这些都是该领域未来试验研究的良好迹象。”

他总结说：“我们对试验的意义感到兴奋。这对未来意味着，如果以正确的方式开发和集成某些AI算法，不仅可以非常有效地提高超声读取输出的质量，还可以通过简化繁琐但重要的任务，提高超声医生和心脏病学家花费的时间和精力的效率。将AI嵌入临床工作流程可能会提供更精确和一致的评估，从而能够更早地检测临床恶化或对治疗的反应。”

参考资料：

https://www.escardio.org/The-ESC/Press-Office/Press-releases/Artificial-intelligence-assessment-of-heart-function-is-superior-to-sonographer-assessment