美国研发的机器学习冠心病算法在中国的有效性研究成果显著

为解决中国农村地区冠心病检测难题，研究人员验证相关算法，其在中国人群中灵敏度达 0.894，有潜在应用价值。

　　《美国研发的机器学习冠心病算法在中国的有效性研究成果显著》

在医疗技术飞速发展的当下，冠心病（Coronary Artery Disease，CAD）作为全球范围内严重威胁人类健康的疾病，其检测手段一直备受关注。心脏 CT 血管造影（Cardiac computed tomography angiography，CCTA）虽被公认为冠心病的重要排除性检测方法，有着高灵敏度，但也存在不少问题。在遥远的美国农村地区，由于医疗资源分布不均，CCTA 的可及性极低，很多患者无法及时接受检测，延误了病情诊断和治疗。而在中国，尽管城市化进程迅速推进，可仍有 5.1 亿人居住在农村地区，他们同样面临着冠心病检测不便的困境。这些农村居民由于医疗设施匮乏、经济条件限制等因素，难以获得精准的冠心病诊断服务，健康时刻受到威胁。

为了打破这一僵局，此前美国的研究人员研发出一种利用非侵入性信号和机器学习算法的检测方法，理论上只要有网络，在任何地方都能使用。然而，由于中美两国人群在种族、心血管疾病风险因素等方面存在巨大差异，该检测方法在中国人群中的有效性一直是个未知数。为了解开这个谜团，来自复旦大学附属中山医院的研究人员挺身而出，开展了一项极具意义的研究，相关成果发表在《Discover Medicine》杂志上。

在本次研究中，研究人员主要运用了以下关键技术方法：
首先，研究采用单中心、前瞻性、非随机、连续入组的方式建立数据库。研究对象为因疑似阻塞性冠心病而接受侵入性冠状动脉造影（Invasive coronary angiography，ICA）评估的有症状患者，在患者进行 ICA 前采集生理信号及相关元数据。
其次，使用特定的信号捕获设备采集正交电压梯度和光电容积脉搏波信号。该设备从胸部电极获取包含三个双极通道的正交电压梯度，同时从手指探头捕获光电容积脉搏波信号，信号采集完成后上传至云端存储。
最后，运用预先开发且未经修改的机器学习算法对采集到的信号进行分析，并与 ICA 结果进行匹配，进而判断检测的敏感性和特异性。

研究结果主要从以下几个方面展开：

1. 研究对象筛选：研究共招募了 625 名受试者，经过层层筛选，排除了未接受 ICA 评估、信号采集失败、信号质量不达标以及被判定为异常值的受试者，最终得到 458 名具有可用信号和 ICA 冠心病结果的受试者，其中 348 名患有显著冠心病，用于敏感性测试，110 名未患显著冠心病。
2. 中美人群特征对比：中国受试者均为亚洲人，与美国人群相比，具有年龄更小、BMI 更低、男性比例更高、吸烟率更低、高血压和糖尿病发病率更低等特点，且中国受试者的冠心病病情相对较轻。
3. 检测算法性能评估：中国人群中该 CAD 检测的敏感性为 0.894（95% CI：0.861 - 0.926），与美国队列的敏感性（0.877）无显著差异；中国 ICA 人群的特异性为 17%（95% CI：10 - 24%），与美国验证人群的特异性（17%，95% CI：14 - 20%）也无显著差异。通过亚组分析发现，除年龄和高血压亚组外，其他亚组的敏感性在中美人群中大多无显著差异。在高血压亚组中，中国人群的敏感性高于美国人群，可能是由于两国高血压定义不同所致。
4. ROC 曲线分析：由于本研究未纳入中国 CCTA 人群评估特异性，研究人员假设中美人群特异性相似，使用美国 CCTA 特异性组作为中国缺失数据的替代，进行 ROC 曲线分析。结果显示，曲线下面积（ROC - AUC）为 0.79（95% CI：0.77 - 0.81），接近传统认可的优秀诊断测试范围（0.80 - 0.90），表明该检测在评估中国人群冠心病方面具有一定潜力。

在研究结论与讨论部分，研究人员发现，尽管中美两国人群在人口统计学、风险因素和疾病严重程度等方面存在显著差异，但该检测方法的敏感性表现却非常相似。这意味着该算法具有一定的通用性，即使在不同特征的人群中也能保持较为稳定的检测性能。然而，研究也存在一些局限性，比如仅在单一中心进行受试者招募，且研究地点位于城市地区，未涉及农村人群，而农村居民在心血管疾病风险因素方面与城市居民存在差异，农村地区对该检测技术的需求更为迫切，后续还需要针对农村人群开展进一步研究。此外，研究未纳入中国 CCTA 人群评估特异性，未来应补充这部分研究，以更全面地评估该检测方法在中国人群中的性能。总体而言，这项研究为冠心病检测技术在中国的应用提供了重要参考，该 CAD 检测方法在中国人群中展现出了潜在的应用价值，有望为农村地区居民提供更便捷、有效的冠心病检测手段，缩小城乡医疗服务差距，守护更多人的健康。