跳转至

第 39 章 基于 AI 的心血管风险分层（Artificial Intelligence-Based Cardiovascular Risk Stratification）

作者

  • Abdallah Malkawi, MD —— Division of Cardiology, Department of Medicine, University of Arkansas for Medical Sciences (UAMS), Little Rock, AR, USA。
  • Zaid Almarzooq, MBBCh —— Brigham and Women's Hospital Heart and Vascular Center, Boston, MA, USA。
  • Mouaz H. Al-Mallah, MD —— Department of Cardiology, Houston Methodist DeBakey Heart & Vascular Center, Houston, TX, USA。
  • Subhi J. Al'Aref, MD（通讯作者）—— 同 UAMS。

本章位于 Part III 心脏应用部分，承接第 25-38 章的"器官系统主题"后，转向心血管风险分层——ML 在 EHR、ECG、影像、多组学整合的全面应用。属于"应用 + 综述"性质的章节，是 Part III 的"AI 临床落地"集成章节。Al'Aref 团队是国际 CV AI 风险分层的重要力量。

内容概述

传统 CV 风险评估（Framingham、AHA/ACC ASCVD）基于回归模型，假设线性、可加、无共线性，难处理高维、非线性、异质性数据。本章按"EHR → ECG → 影像 → 基因组"组织 AI 在 CV 风险分层中的应用：

  1. EHR 数据利用：
  2. Byrd 2014 [X4] NLP 提取 Framingham HF 标准（精度 0.925、F-score 0.910）。
  3. Mayampurath 2019 [X8] 把 EHR 转 2D 图像 + CNN 预测院内死亡 AUC 0.91 vs. MEWS 0.76。
  4. Alaa 2019 [X10] UK Biobank 423,604 例 + 473 变量 AutoPrognosis 5 年 CVD AUC 0.774 vs. Framingham 0.724。
  5. 原发 CAD 预防：
  6. Ambale-Venkatesh 2017 [X11] MESA 6,184 例 + 735 变量 RF 预测死亡与 CVD 事件（C-index 与 Brier 提升 10–25%）。
  7. Quesada 2019 [X12] ESCARVAL 38,527 例 QDA 5 年 AUC 0.708 vs. SCORE 0.633 / REGICORE 0.634。
  8. Zhao 2019 [X13] Vanderbilt 109,490 例 + 基因组，XGBoost + CNN + 基因组 AUC +2.1%。
  9. 继发 CAD 预防（ACS 后）：
  10. Hernesniemi 2019 [X15] 9,077 例 XGBoost 6 月死亡 AUC 0.890 vs. GRACE 0.822。
  11. 心衰：
  12. Ahmad 2018 [X16] 44,886 例 Swedish HF Registry，RF 1 年死亡 C-statistic 0.82。
  13. Cikes 2018 [X18] MADIT-CRT 1,106 例聚类识别 CRT-D vs. ICD 受益亚组。
  14. Shah 2017 [X17] 397 例 HFpEF 聚类分 3 表型。
  15. PCI 操作：
  16. Mortazavi 2019 [X20] NCDR 3,316,465 例 PCI XGBoost 大出血 C-statistic 0.81。
  17. ECG / 影像风险预测：
  18. Raghunath 2020 [X26] 1,169,662 ECG DNN 1 年死亡 AUC 0.855。
  19. Kwon 2020 [X28] 22,875 例 KorMI registry ANN MI 后死亡 AUC 0.905。
  20. Samad 2019 [X30] 171,510 患者 TTE RF 5 年死亡 AUC 0.893。
  21. CCTA 风险：
  22. Van Rosendael 2018 [X45] CONFIRM 8,844 例 XGBoost 临床事件 AUC 0.771。
  23. Motwani 2017 [X46] CONFIRM 10,030 例 LogitBoost 5 年死亡 AUC 0.79。
  24. Al'Aref 2020 [X51] CONFIRM 13,054 例 XGBoost 阻塞性 CAD AUC 0.773。
  25. Betancur 2019 [X65] REFINE SPECT 1,160 例 DNN 每患者 AUC 0.81。
  26. MRI：
  27. Chen 2019 [X68] 98 例扩张型心肌病 Naive Bayes AUC 0.877 vs. MAGGIC 0.599。
  28. 基因组学：
  29. Dogan 2018 [X74] Framingham 1,545 例 CHD RF 敏感 0.75 / 特异 0.80。

核心方程与概念

1. 传统 vs. ML 风险评分

传统风险评分（Framingham、ACC/AHA ASCVD、SCORE、REGICORE、GRACE、TIMI、MAGGIC）： - 假设：线性、可加、无共线性、变量同质影响 - 限制：无法处理高维、非线性、复杂交互 - 难整合 EHR / 影像 / 基因组

ML 风险评分： - AutoPrognosis：贝叶斯优化集成多 ML 模型 - 监督学习（XGBoost、随机森林、CNN、ANN） - 非监督学习（k-means 聚类）

2. NLP 在 EHR 提取

NLP（自然语言处理）从非结构化医疗笔记提取诊断标准： $\(\text{precision} = \frac{TP}{TP+FP}, \quad \text{recall} = \frac{TP}{TP+FN}, \quad F_1 = \frac{2 \cdot \text{precision} \cdot \text{recall}}{\text{precision} + \text{recall}}\)$

Byrd [X4] 精度 0.925、recall 0.896、F-score 0.910。

3. EHR 转 2D 图像（Mayampurath 2019, [X8]）

把纵向 EHR 数据（156 临床变量 × 48 小时）转 2D 图像，CNN 处理： $\(\mathbf{I} \in \mathbb{R}^{156 \times T}, \quad T = 48\,\text{hours}\)$

CNN 输出院内死亡概率。AUC 0.91 vs. MEWS 0.76 / SOFA 0.57。

4. AutoPrognosis 框架（Alaa 2019, [X10]）

贝叶斯优化集成多 ML 模型： $\(P(y | X) = \sum_{m \in \mathcal{M}} w_m P_m(y | X)\)$

其中 \(\mathcal{M}\) = {LR, RF, XGBoost, NN, ...}，\(w_m\) 由贝叶斯优化学习。

5. 聚类识别 HF 表型

Shah 2017 [X17]：397 例 HFpEF + 临床 + 实验室 + ECG + 超声 + 血流动力学 → 3 表型，调整 BNP / MAGGIC 后仍有显著差异（HR 4.2, 95% CI 2.0–9.1）。

Cikes 2018 [X18]：MADIT-CRT 1,106 例聚类识别 CRT-D vs. ICD 受益亚组。

6. DNN ECG 风险预测（Raghunath 2020, [X26]）

1,169,662 ECG + 253,397 患者 DNN 预测 1 年死亡 AUC 0.855 vs. FRS / CCI。

7. ML 影像风险

研究 数据 模型 任务 AUC
Motwani [X46] CONFIRM 10,030 LogitBoost 5 年死亡 0.79
Van Rosendael [X45] CONFIRM 8,844 XGBoost 临床事件 0.771
Al'Aref [X51] CONFIRM 13,054 XGBoost 阻塞性 CAD 0.773
Betancur [X65] REFINE SPECT 1,160 DNN CAD 每患者 0.81
Samad [X30] TTE 171,510 RF 5 年死亡 0.893
Chen [X68] cMRI 98 Naive Bayes DCM 不良事件 0.877

8. 关键概念辨析

  • "信息增益" vs. "模型增益"（Alaa 2019, [X10]）：在 CV 风险预测中，更多变量比更复杂模型更重要——这与传统"特征工程 + 简单模型"的医学 ML 共识一致。
  • NLP 提取 vs. 人工标注：NLP 可处理大量非结构化笔记，但精度受语种 / 医院 / 文档格式影响。
  • EHR 转图像 vs. 表格数据：EHR 转图像可借用图像 CNN，但可能损失时序信息；Zhao [X13] 用时序信息改善 2.1%。
  • ML 风险评分 vs. 临床决策：ML 给出"风险概率"，临床决策仍需医生判断。
  • 影像 + 临床 vs. 单一模态：CCTA 影像 + 临床数据 ML 比单一模态更准（Motwani [X46] AUC 0.79 vs. CCTA 单独 ~ 0.64）。
  • ML 在 HFpEF 的"亚组发现"价值：传统 HFpEF 定义（EF ≥ 50%）过于宽泛，聚类发现的表型有助于精准治疗。
  • "AI 处方" vs. "AI 风险预测"：本章聚焦"风险预测"（Mortazavi 大出血、Hernesniemi ACS 死亡）而非"治疗建议"——后者是更难的问题。

关键结论

  • 传统 CV 风险评分（Framingham、ASCVD、SCORE、GRACE）受限于线性假设、变量少、不整合影像。
  • AI / ML 在 CV 风险分层上的应用分：EHR 表格、NLP、ECG、影像、多组学、聚类、整合。
  • Byrd 2014 [X4] NLP 提取 Framingham HF 标准精度 0.925。
  • Mayampurath 2019 [X8] EHR 转 2D 图像 + CNN 院内死亡 AUC 0.91 vs. MEWS 0.76。
  • Alaa 2019 [X10] AutoPrognosis UK Biobank 5 年 CVD AUC 0.774 vs. Framingham 0.724——"信息增益" > "模型增益"。
  • Ambale-Venkatesh 2017 [X11] MESA RF 比 Framingham / ASCVD 提升 10–25%。
  • Quesada 2019 [X12] QDA 5 年 AUC 0.708 vs. SCORE 0.633。
  • Hernesniemi 2019 [X15] XGBoost ACS 6 月死亡 AUC 0.890 vs. GRACE 0.822。
  • Ahmad 2018 [X16] Swedish HF RF 1 年死亡 C-statistic 0.82。
  • Cikes 2018 [X18] MADIT-CRT 聚类识别 CRT 受益亚组。
  • Mortazavi 2019 [X20] NCDR XGBoost 大出血 C-statistic 0.81。
  • Raghunath 2020 [X26] 116 万 ECG DNN 1 年死亡 AUC 0.855。
  • Kwon 2020 [X28] 22,875 例 KorMI ANN MI 后死亡 AUC 0.905 vs. GRACE / TIMI。
  • Samad 2019 [X30] 17 万 TTE RF 5 年死亡 AUC 0.893。
  • Motwani 2017 [X46] CONFIRM LogitBoost 5 年死亡 AUC 0.79 vs. CCTA 单独 0.64。
  • Al'Aref 2020 [X51] CONFIRM XGBoost 阻塞性 CAD AUC 0.773。
  • Chen 2019 [X68] cMRI Naive Bayes DCM AUC 0.877 vs. MAGGIC 0.599。
  • ML 在 CV 风险分层已从"传统评分辅助"扩展到"独立风险预测工具"。

挑战和开放性问题

  • 跨中心 / 跨人群泛化：现有模型多来自欧美 / 大型中心（Vanderbilt、Mayo、UK Biobank、MESA），亚洲人群泛化未充分验证。
  • EHR 异质性：不同医院 EHR 字段 / 编码差异大，模型难跨机构部署。
  • 影像 + 临床整合的"模态融合"复杂性：CCTA + ECG + 临床多模态融合的工程实现复杂。
  • ML 模型"黑盒"：临床医生难向患者解释"为什么 ML 说你 30% 1 年死亡"。
  • 法规与责任：ML 风险评分在 FDA 监管下的"持续学习"模式与现行框架不匹配。
  • 聚类分析的"分析师自由度"：簇数选择本身有自由度，跨样本可重复性未充分验证。
  • HFpEF 亚组的"治疗转化"：ML 发现表型，但表型特异治疗证据稀缺。
  • 基因组数据的"代表性"：Dogan [X74] 等基因组 ML 多来自欧洲血统，跨族群泛化难。
  • 前瞻性 RCT 验证：ML 风险预测工具大多回顾性研究，前瞻性 RCT 验证稀缺。
  • 临床整合路径：ML 风险评分需要集成到 EMR / CDS 系统，工程 + 监管环节需大量工作。
  • "AI 增强 vs. AI 替代"：ML 风险评分是辅助医生决策还是替代？监管框架未定。
  • 可解释性的"医学特化"：医学 ML 需要"可解释给医生"而非"可解释给工程师"的工具。

个人反思与批判性分析

  • 作者团队的"CV AI 临床中心"地位：Al'Aref 来自 UAMS、Al-Mallah 来自 Houston Methodist、Almarzooq 来自 Brigham——三家都是美国 CV AI 重要中心。本章引用了大量 UAMS / Cedars-Sinai / CONFIRM / MESA 等多中心工作——读者应意识到这是"美国大型中心视角"。
  • CONFIRM 注册的"代际价值"：CONFIRM 是 CCTA 时代最大的多中心注册（> 25,000 例），本章多次引用（Motwani [X46]、Van Rosendael [X45]、Al'Aref [X51]）——表明 CONFIRM 在 CV AI 时代仍是"金矿"。
  • "信息增益 > 模型增益"的反潮流启示：Alaa 2019 [X10] 的核心发现是"更多变量比更复杂模型更重要"——这与 AI 时代的"模型为王"叙事相反。在医学领域，临床数据本身比算法更重要——这是医学 ML 的独特性。
  • "ML 改进 GRACE / TIMI" 的临床意义有限：Hernesniemi 2019 [X15] XGBoost AUC 0.890 vs. GRACE 0.822 看似显著，但 GRACE 本身已被广泛验证。ML 增量价值需与"额外数据收集成本"对比。
  • "聚类 HF 表型" vs. "精准治疗"差距：Shah 2017 [X17]、Cikes 2018 [X18] 等发现 HF / CRT 亚组，但表型特异治疗（SGLT2、ARNI、CRT）证据稀缺——这是"诊断 AI"超过"治疗 AI"的典型现象。
  • 大规模 ECG / TTE 注册的"基础设施"价值：Raghunath [X26] 用 116 万 ECG、Samad [X30] 用 17 万 TTE 训练——这种规模需要大型医疗系统的多年积累，是中小型中心难复制的"基础设施"。
  • ML 在 PCI 风险预测的"操作决策"价值：Mortazavi [X20] NCDR XGBoost 大出血预测可帮助医生决定"术后抗凝强度"——这是 ML 风险预测的"直接临床决策"价值，比单纯"风险评分"更有用。
  • "黑盒" vs. "可解释"的医学 ML 困境：本章多次提到 ML 模型的"黑盒"问题，但解决方案（如 SHAP、LIME）多来自 ML 社区而非医学社区——医学特化的可解释性工具仍需发展。
  • "AI 处方" vs. "AI 风险预测"：本章聚焦"风险预测"，治疗决策仍是医生 + 患者共同决定。这种"AI 辅助决策"模式是未来医学 AI 的主流。
  • "AI 万能"与"AI 仅辅助"的两端：本章在 XGBoost、DNN、CNN 风险预测上乐观（已部分商业化），在跨中心泛化、HFpEF 治疗转化、法规监管上保守（仍待验证）。这种"该强则强、该弱则弱"是 CV 风险 AI 的工程现实。
  • 与第 25-38 章的协同：本章是"风险分层"主题专项，与 CT（Ch 25-27）、CMR（Ch 32-36）、核医学（Ch 37）、超声（Ch 38）章节形成"全模态 CV 风险 AI"完整图景。读者通过对比可学会"AI 在不同模态的共性与差异"。
  • "老牌" vs. "新潮"的代际差异：传统风险评分（Framingham 1967, GRACE 2003）有几十年临床验证，ML 风险评分多在 2010s 起步——临床落地仍需"代际时间"。

重要参考文献

  • [X1] Goff DC Jr, Lloyd-Jones DM, Bennett G, et al. 2013 ACC/AHA guideline on the assessment of cardiovascular risk. Circulation. 2014;129(25 Suppl 2):S49-73.
  • [X4] Byrd RJ, Steinhubl SR, Sun J, et al. Automatic identification of heart failure diagnostic criteria, using text analysis of clinical notes from electronic health records. Int J Med Inform. 2014;83(12):983-92.
  • [X8] Mayampurath A, Sanchez-Pinto LN, Carey KA, et al. Combining patient visual timelines with deep learning to predict mortality. PLoS One. 2019;14(7):e0220640.
  • [X10] Alaa AM, Bolton T, Di Angelantonio E, et al. Cardiovascular disease risk prediction using automated machine learning: a prospective study of 423,604 UK Biobank participants. PLoS One. 2019;14(5):e0213653.
  • [X11] Ambale-Venkatesh B, Yang X, Wu CO, et al. Cardiovascular event prediction by machine learning: the multi-ethnic study of atherosclerosis. Circ Res. 2017;121(9):1092-101.
  • [X12] Quesada JA, Lopez-Pineda A, Gil-Guillén VF, et al. Machine learning to predict 5-year mortality in primary cardiovascular prevention. Int J Med Inform. 2019;131:103937.
  • [X13] Zhao J, Feng Q, Wu P, et al. Learning from longitudinal data in electronic health record and genetic data to improve cardiovascular event prediction. Sci Rep. 2019;9(1):717.
  • [X15] Hernesniemi J, Mahdiani S, Tynkkynen JA, et al. Extensive machine learning algorithm-driven description of ACS mortality. J Am Coll Cardiol. 2019;73(9 Suppl 1):A230.
  • [X16] Ahmad T, Lund LH, Rao P, et al. Machine learning methods improve prognostication, identify clinically distinct phenotypes, and detect heterogeneity in response to therapy in a large cohort of heart failure patients. J Am Heart Assoc. 2018;7(8):e008081.
  • [X17] Shah SJ, Katz DH, Selvaraj S, et al. Phenomapping for novel classification of heart failure with preserved ejection fraction. Circulation. 2015;131(3):269-79.
  • [X18] Cikes M, Sanchez-Martinez S, Claggett B, et al. Machine learning-based phenogrouping in heart failure to identify responders to cardiac resynchronization therapy. Eur J Heart Fail. 2019;21(1):74-85.
  • [X20] Mortazavi BJ, Bucholz EM, Dziura J, et al. Machine learning for prediction of bleeding in acute myocardial infarction patients undergoing percutaneous coronary intervention. JAMA Netw Open. 2019;2(1):e187505.
  • [X26] Raghunath S, Cerna JUU, Zhang Y, et al. Prediction of mortality from 12-lead electrocardiogram voltage data using a deep neural network. Nat Med. 2020;26(6):886-91.
  • [X27] Myers PD, Scirica BM, Stultz CM. Machine learning improves risk stratification after acute coronary syndrome. Sci Rep. 2017;7(1):12692.
  • [X28] Kwon JM, Jeon KH, Kim HM, et al. Deep-learning-based out-of-hospital cardiac arrest prognostic system to predict clinical outcomes. Radiology. 2019;293(1):196-204.
  • [X30] Samad MD, Ulloa A, Wehner GJ, et al. Predicting survival from large echocardiography and electronic health record datasets: optimization with machine learning. JACC Cardiovasc Imaging. 2019;12(4):681-9.
  • [X33] Omar AMS, Narula S, Abdel Rahman MA, et al. Echocardiographic phenotyping of HFpEF. JACC Cardiovasc Imaging. 2020;13(2 Pt 1):425-8.
  • [X45] van Rosendael AR, Maliakal G, Kolli KK, et al. Maximization of the usage of coronary CTA derived plaque information using a machine learning based risk score. JACC Cardiovasc Imaging. 2018;11(2 Pt 1):236-44.
  • [X46] Motwani M, Dey D, Berman DS, et al. Machine learning for prediction of all-cause mortality in patients with suspected CAD. Eur Heart J. 2017;38(7):500-7.
  • [X51] Al'Aref SJ, Maliakal G, Singh G, et al. Machine learning of clinical variables and coronary artery calcium scoring for prediction of significant CAD. JACC Cardiovasc Imaging. 2020;13(12):2584-96.
  • [X65] Betancur J, Otaki Y, Motlagh M, et al. Deep learning for prediction of obstructive disease from fast myocardial perfusion SPECT. Eur J Nucl Med Mol Imaging. 2019;46(3):678-87.
  • [X68] Chen R, Lu A, Wang J, et al. Using machine learning to predict one-year cardiovascular events in patients with severe dilated cardiomyopathy. ESC Heart Fail. 2019;6(4):747-55.
  • [X74] Dogan MV, Grumbach IM, West JJ, et al. Machine learning to characterize genetic signatures of coronary artery disease. J Am Heart Assoc. 2018;7(4):e007450.