[智能应用]约翰斯·霍普金斯大学研发新AI模型，可更准确预测心源性猝死风险 [复制链接]

IT之家 7 月 5 日消息，据新华社今日报道，美国约翰斯・霍普金斯大学开发出一款多模态人工智能模型，在识别突发性心脏骤停高风险人群方面，明显优于现行的临床指南。这一研究结果已在最新一期的《自然-心血管研究》杂志上发表。
这款名为 MAARS 的 AI 系统（IT之家注：全称为“多模态 AI 室性心律失常风险分层系统”）结合了心脏 MRI 图像与广泛的健康记录数据，能发现以往难以察觉的预警信号，使心血管风险预测达到更高的准确度。
研究聚焦于肥厚型心肌病。这是一种常见的遗传性心脏疾病，也是年轻人突发心脏骤停的主要诱因之一。
约翰斯・霍普金斯大学生物医学工程教授、心血管 AI 研究专家Natalia Trayanova 表示：“我们眼下既有患者因缺乏保护措施在黄金年龄猝死，也有人终身植入除颤器却几乎没有任何获益。我们现在已经可以非常准确地判断某人是否处于极高风险之中。”
美国与欧洲现行临床指南在判断高风险患者方面准确率仅约为 50%。相比之下，MAARS 模型的整体准确率达 89%，对于 40 岁至 60 岁这一最高风险人群的准确率更提升至 93%。
该模型通过分析对比增强型 MRI 扫描中的心脏瘢痕图样，识别出突发性心脏骤停的关键征兆。过去这类图像信息较难为医生准确解读，如今借助深度学习，得以转化为可操作的风险指标。
约翰斯・霍普金斯大学心脏电生理学副教授Jonathan Chrispin 表示：“研究结果显示，MAARS 模型比现有算法更能准确识别高危患者，有潜力从根本上改变临床决策方式。”
约翰斯・霍普金斯大学团队还计划扩大模型的测试范围，并将该算法推广至其他类型的心脏疾病风险评估，包括心脏结节病和致心律失常性右心室心肌病。

根据最新研究进展，约翰斯·霍普金斯大学研发的多模态AI室性心律失常风险分层系统（MAARS） 在预测心源性猝死风险方面取得突破性进展。以下是综合搜索结果的核心信息与分析：
一、模型核心技术与原理
多模态数据融合
MAARS系统结合心脏增强磁共振成像（MRI） 与患者全维度健康记录数据（如病史、遗传信息等），通过深度学习挖掘传统方法难以识别的细微病理特征135
重点分析心脏MRI中的瘢痕图样，这些图样是室性心律失常导致猝死的关键生物标志物。
目标疾病：肥厚型心肌病
该模型主要针对肥厚型心肌病（全球每200-500人中1人患病），这是年轻人及运动员心源性猝死的主要遗传性诱因
二、性能突破：准确率远超现行标准
现行临床指南缺陷
欧美现行指南对高风险人群的识别准确率仅约50%（接近随机猜测），导致大量患者未被保护或接受不必要的植入式除颤器治疗。
MAARS的显著提升
整体准确率达89%（风险区分能力0.89），较现行标准提升近40%；
40-60岁最高危人群准确率高达93%

三、临床价值与意义
精准化风险分层
可明确区分真正的高危患者，避免低风险人群接受过度治疗（如不必要的除颤器植入），同时为高危患者提供及时干预依据。
研究者原话：
“我们眼下既有患者因缺乏保护措施在黄金年龄猝死，也有人终身植入除颤器却几乎没有任何获益。MAARS使我们能非常准确地判断极高风险个体。”
—— Natalia Trayanova（约翰斯·霍普金斯大学生物医学工程教授）。

可解释性辅助决策
模型能解释高风险原因（如特定瘢痕模式），帮助医生制定个性化治疗方案。
四、未来应用方向
扩展至其他心脏疾病
团队计划将MAARS推广至心脏结节病、致心律失常性右心室心肌病等疾病的风险评估。
推动临床实践变革
心脏电生理学专家Jonathan Chrispin指出：
“MAARS有潜力从根本上改变临床决策方式，比现有算法更准确识别高危患者。”

五、研究权威性与进展
成果发表于顶级期刊：研究细节已在《自然-心血管研究》（Nature Cardiovascular Research）发布。
验证机构：模型已在约翰斯·霍普金斯医院及北卡罗来纳州桑格心脏与血管研究所完成测试。
总结
MAARS模型通过多模态AI技术实现了心源性猝死风险的精准预测，解决了传统方法准确性不足的痛点，未来有望成为心血管疾病风险管理的新标准。其临床推广将显著降低猝死率并优化医疗资源分配。 如需进一步了解技术细节或研究原文，可参考《自然-心血管研究》期刊或约翰斯·霍普金斯大学官网

　　美国约翰斯・霍普金斯大学开发的多模态人工智能模型MAARS（多模态AI室性心律失常风险分层系统）在识别突发性心脏骤停高风险人群方面取得了显著成果。这项研究已经发表在《自然-心血管研究》杂志上，显示MAARS模型在预测心血管风险方面的准确度明显优于现行的临床指南。

　　MAARS模型结合了心脏MRI图像和广泛的健康记录数据，能够发现以往难以察觉的预警信号，显著提高了心血管风险预测的准确度。研究主要关注肥厚型心肌病，这是一种常见的遗传性心脏疾病，也是年轻人突发心脏骤停的主要诱因之一。

　　与美国和欧洲现行临床指南约50%的准确率相比，MAARS模型的整体准确率达到了89%，对于40至60岁这一最高风险人群的准确率更是提升至93%。该模型通过分析对比增强型MRI扫描中的心脏瘢痕图样，识别出突发性心脏骤停的关键征兆，这些图像信息过去较难为医生准确解读，现在借助深度学习技术转化为可操作的风险指标。

　　约翰斯・霍普金斯大学的研究人员表示，MAARS模型比现有算法更能准确识别高危患者，有潜力从根本上改变临床决策方式。此外，研究团队还计划扩大模型的测试范围，并将该算法推广至其他类型的心脏疾病风险评估，包括心脏结节病和致心律失常性右心室心肌病。这一进展有望为心血管疾病的预防和治疗带来革命性的变化。