心力衰竭是由于心肌功能减弱或受损，导致患者肺部、腿部、脚部及身体其他部位逐渐积液的慢性且不可治愈的疾病。该病常引发心律失常或猝死。历史上，放血和水蛭疗法曾是欧洲理发外科医生常用的治疗手段，那时医生很少亲自为患者动手术。

进入21世纪，心衰的治疗方式已大为改进。如今，患者通常通过健康生活方式的调整、药物治疗以及有时植入起搏器来管理病情。然而，心衰仍是全球主要的致病和致死原因之一，给医疗系统带来巨大压力。

麻省理工学院博士生Teya Bergamaschi表示：“约有一半心衰患者在确诊后五年内死亡。了解患者住院后的预后对于合理分配有限医疗资源至关重要。”她是由MIT、Mass General Brigham和哈佛医学院联合发表在《Lancet eClinical Medicine》上的一篇论文的共同第一作者，该论文介绍了一种名为PULSE-HF的深度学习模型，用于预测心衰患者未来一年的病情变化。

PULSE-HF（Predict changes in left ventricULar Systolic function from ECGs of patients who have Heart Failure）项目由MIT Abdul Latif Jameel健康机器学习诊所的Collin Stultz教授实验室开发，利用来自麻省总医院、Brigham and Women’s医院及公开数据集MIMIC-IV的三组患者数据进行回顾性测试。该模型能够准确预测左心室射血分数（LVEF）的变化，LVEF代表心脏左心室每次收缩泵出的血液比例。

正常心脏每次收缩能泵出50%至70%的血液，低于此范围则可能预示心脏功能异常。MIT博士生Tiffany Yau指出：“该模型通过分析心电图，预测患者未来一年内LVEF是否会降至40%以下，这是心衰最严重的分组。”

如果PULSE-HF预测患者的射血分数将在一年内恶化，医生可以优先安排随访，而低风险患者则可减少医院就诊次数和心电图检查时间。该模型还适用于资源有限的临床环境，如缺少心脏超声技师的农村诊所。

Yau强调：“PULSE-HF与其他心衰心电图方法的最大区别在于它是预测未来病情，而非仅仅检测当前状态。”目前尚无其他方法能预测心衰患者未来LVEF的下降。

在测试和验证过程中，研究团队使用了受试者工作特征曲线下面积（AUROC）来评估模型性能。AUROC值介于0.5（随机）到1（完美）之间，PULSE-HF在三组患者中均取得了0.87至0.91的高分。

值得注意的是，研究人员还开发了单导联心电图版本的PULSE-HF，仅需在身体上放置一个电极。虽然12导联心电图更全面准确，但单导联版本的表现同样出色。

尽管PULSE-HF的理念简洁优雅，但其背后是多年艰苦的工作。Bergamaschi回忆道：“项目经历了多次迭代，耗时多年。”

团队面临的最大挑战之一是收集、处理和清洗心电图及超声心动图数据。训练模型需要准确的标签，但这些标签并非总是易得。类似学生使用带答案的教材，标签对于机器学习模型识别数据模式至关重要。

通常，纯文本格式（TXT）最适合模型训练，但超声心动图多为PDF格式，转换成TXT后文本因换行和格式问题变得难以解析。此外，现实中患者活动或电极松动等因素也会产生信号干扰。Bergamaschi说：“信号伪影很多，清理工作几乎无止境。”

虽然更复杂的方法可能帮助过滤信号，但Yau指出：“必须考虑实际应用场景，模型能在稍微杂乱的数据上正常工作才是最实用的。”

研究团队计划下一步在真实患者中进行前瞻性研究，验证模型预测未来LVEF的准确性。

尽管将PULSE-HF等临床AI工具推向临床应用充满挑战，甚至可能延长博士学位时间，研究生们认为这份努力非常值得。

Bergamaschi说：“挑战让成果更有价值。朋友曾告诉我，如果你毕业后还没找到人生使命，那这使命会在你多花一年的时间里显现。我们在机器学习与健康领域的评价标准与其他领域不同，大家都理解这里的独特挑战。”

Yau因健康事件加入Stultz实验室，她感慨：“世界上有太多痛苦，任何能减轻痛苦的工作我都愿意投入时间。”