基于零维心血管血流动力学参数与卷积神经网络融合的心血管疾病早期检测新方法

针对心血管疾病(CVD)晚期诊断导致高死亡率的问题，马来西亚研究团队创新性地将Rideout零维心血管模型参数与卷积神经网络(CNN)结合，通过分析桡动脉脉搏波形转化的主动脉血压波形(CABP)，鉴定出肺动脉静脉2(RL2)和体循环主动脉1(RA1)两个关键参数作为生物标志物。该系统在临床验证中达到82.5%的准确率，为CVD早期非侵入式筛查提供了新范式。

　　

心血管疾病(CVD)长期占据全球死因首位，每年导致约1790万人死亡。传统诊断依赖侵入性检测和间歇性检查，无法实现早期预警。更棘手的是，看似健康的个体往往缺乏临床数据支撑，而现有AI模型多聚焦分类而非病理机制解析。这一困境催生了马来西亚研究团队的突破性工作——他们开创性地将工程学中的电路模型与深度学习结合，试图从脉搏跳动中解码心血管健康密码。

研究团队开发了一套融合Rideout零维心血管模型和卷积神经网络(CNN)的智能系统。这个模型将血液循环系统等效为电路：血管阻力对应电阻(R)，血流惯性对应电感(L)，血管弹性对应电容(C)。通过局部敏感性分析(LSA)，从16个参数中锁定RL₂和RA₁作为关键指标。CNN则负责建立主动脉波形特征与这些参数的映射关系，最终实现对CVD的机制化诊断。

关键技术包括：1)使用两种传递函数(EIF/GTF)将桡动脉波形转化为主动脉波形；2)基于PhysioNet MIMIC II数据库的4例CVD和19例健康样本训练模型；3)采用HaeMod数据库3365例健康信号和马来西亚HSB医院的40例CVD病例进行验证。

材料与方法
研究通过零维模型模拟心血管系统，采用液压-电路类比将血压和血流速率转化为电压电流。CNN架构专为波形特征提取设计，输入为血压波形，输出为模型参数数值变化，突破传统分类框架。敏感性分析采用计算效率更高的LSA而非GSA，独立评估各参数对波形的影响。

结果与讨论
实验显示，当RL₂和RA₁同步降低时，血管阻力减小促进血流畅通，这一生理现象成为CVD识别的生物标志物。系统在HSB数据上分别达到80.0%(EIF)和82.5%(GTF)的准确率，证实其临床适用性。值得注意的是，该方法首次实现通过外周脉搏信号反推中心主动脉参数变化，为可穿戴设备开发奠定基础。

结论
该研究开创了"参数化AI诊断"新范式，不仅判断疾病存在与否，更揭示内在生理机制。RL₂和RA₁的发现为CVD早期预警提供新靶点，而将复杂血流动力学参数与深度学习结合的策略，为其他慢性病的智能诊断开辟了新路径。研究结果发表于《Biomedical Signal Processing and Control》，其临床转化将显著降低心血管疾病的筛查门槛和医疗成本。