近日，一项来自美国约翰斯·霍普金斯大学的研究引起了医学界的广泛关注。该校科研团队成功开发出一种名为MAARS的多模态人工智能模型，专门用于识别突发性心脏骤停的高风险人群，其效果超越了当前的临床指南。
MAARS系统，全称为“多模态AI室性心律失常风险分层系统”，融合了心脏MRI图像和详尽的健康记录数据，能够捕捉到以往难以辨识的预警信号，显著提高了心血管风险的预测精度。这一研究成果已在《自然-心血管研究》杂志的最新一期中发表。
研究特别关注了肥厚型心肌病，这是一种常见的遗传性心脏疾病，经常导致年轻人突发心脏骤停。传统上，医生在判断患者风险时面临挑战，而MAARS模型的出现为这一难题提供了新的解决方案。
据约翰斯·霍普金斯大学生物医学工程教授Natalia Trayanova介绍，目前存在两种极端情况：一些患者在黄金年龄因缺乏有效预防措施而猝死，而另一些人则终身携带除颤器却几乎没有受益。MAARS模型能够更精确地识别出处于极高风险的患者，为医生提供了有力的决策支持。
与当前美国和欧洲临床指南约50%的准确率相比，MAARS模型的整体准确率高达89%，特别是在40岁至60岁这一高风险年龄段，准确率更是提升至93%。这一显著提升得益于模型对增强型MRI扫描中心脏瘢痕图样的深入分析，这些图像信息以往难以被医生准确解读，但通过深度学习技术，现在可以被转化为具体的风险指标。
约翰斯·霍普金斯大学心脏电生理学副教授Jonathan Chrispin表示，MAARS模型在识别高危患者方面优于现有算法，具有彻底改变临床决策方式的潜力。这不仅为肥厚型心肌病患者的风险管理提供了新的手段，也为其他类型心脏疾病的风险评估带来了希望。
约翰斯·霍普金斯大学团队还计划进一步扩大MAARS模型的测试范围，并将其应用于心脏结节病和致心律失常性右心室心肌病等其他心脏疾病的风险评估中，以期在未来为更多患者带来福音。
