Nature子刊：多模态AI模型，预测心脏病患者死亡风险

撰文丨王聪

编辑丨王多鱼

排版丨水成文

由室性心律失常导致的心源性猝死（SCD）是全球范围内的主要死亡原因之一。肥厚型心肌病（HCM）患者的心律失常死亡预后评估颇具挑战性，目前的临床指南在这一人群中表现出较低的性能和不一致的准确性。

心源性猝死（SCD）是全球范围内导致死亡的主要原因之一，也是一个重大的公共卫生问题。在北美和欧洲，SCD 在普通人群中的年发病率为每 10 万人中有 50-100 例。室性心律失常是心源性猝死的主要潜在机制。植入式心脏复律除颤器（ICD）能够有效终止心律失常发作，且在预防性植入时，可降低心律失常导致的心源性猝死（SCDA）高危患者的死亡率。

目前用于 SCDA 风险分层的范式——左心室射血分数（LVEF）低于 30%-35%，主要适用于缺血性和扩张型心肌病患者。但即使在这些人群中，它也无法提供全面的风险评估，许多植入了 ICD 的患者也并未从该疗法中获得任何有意义的健康益处。

2025 年 7 月 2 日，约翰·霍普金斯大学的研究人员在 Nature 子刊Nature Cardiovascular Research上发表了题为： Multimodal AI to forecast arrhythmic death in hypertrophic cardiomyopathy 的研究论文。

该研究开发了一种多模态 AI 模型——MAARS（Multimodal Artificial intelligence for ventricular Arrhythmia Risk Stratification，用于室性心律失常风险分层的多模态人工智能），通过分析多模态医疗数据来预测肥厚型心肌病（HCM）患者的室性心律失常死亡。

在这项最新研究中，研究团队提出了一种 AI 模型——MAARS（Multimodal Artificial intelligence for ventricular Arrhythmia Risk Stratification，用于室性心律失常风险分层的多模态人工智能），通过分析多模态医疗数据来预测肥厚型心肌病（HCM）患者的致命性心律失常事件。

MAARS 的基于 Transformer 的神经网络从电子健康记录、超声心动图和放射学报告以及对比增强的心脏磁共振图像中学习，后者是该模型的独特之处。

MAARS 在内部队列和外部队列中的曲线下面积（AUC）分别为 0.89 和 0.81，其表现显著优于当前临床指南的 0.27-0.35（内部队列）和 0.22-0.30（外部队列）。与临床指南不同，MAARS 在各个人口亚群体之间体现了公平性。研究团队从多个层面解释了 MAARS 的预测，以促进 AI 的透明度，并找出需要进一步调查的风险因素。

总的来说，MAARS 是一款功能强大且值得信赖的临床决策支持工具，用于肥厚型心肌病（HCM）患者发生心律失常导致的心源性猝死（SCDA）的风险分层，它是采用最先进的多模态人工智能（multimodal AI）技术开发而成的。该研究证实了其具有强大的性能、公平性和通用性，并为预测提供了解释。MAARS 有可能极大地改善肥厚型心肌病（HCM）患者的临床决策和医疗护理，要么通过未来与自动化数据提取系统的整合直接实现，要么间接地作为多模态人工智能在提升个性化患者护理方面强大能力的宝贵概念验证。

论文链接：

https://www.nature.com/articles/s44161-025-00679-1