云人工智能 (AI)软件即服务(SaaS)有助于简化流程、提高通量，使心超医生能够在不影响工作效率的前提下常规测量GLS。这是Ultromics公司的 EchoGo Core人工智能算法的一个例子，实现了完全自动化地GLS测量。（更多信息请访问www.ultromics.com。）
心力衰竭(Heart failure, HF)是一种普遍但隐匿的流行病，影响着全球约2600万人，全世界医疗系统每年为此花费约650亿美元。相对于突发且有症状的心脏病发作，心衰通常随着时间的推移而隐匿地发生、进展，直至心脏收缩负荷到无法缓解的时候才被发现，因此被认为是一种“无声杀手”。
与传统的射血分数(EF)相比，经心超的整体纵向应变(Global longitudinal strain, GLS)测量在评估左室(LV)收缩功能和预测心衰预后方面的价值正逐渐被认可。然而，将GLS引入心超常规临床实践却面临诸多挑战，如操作者间的差异、时间和资源限制。
人工智能（Artificial intelligence, AI）技术的引入有望克服这些限制，将GLS分析从科研应用转化为临床一线应用。
01.
AI有助于控制心衰的流行
心衰对全球公共卫生系统产生严重负担, 且还在不断加重。在美国，目前大约有570万人患有心衰，预计到2030年将上升到800万[1] 。
心衰有严重影响。在欧洲，Rotterdam研究表明，心衰患者随访1年的死亡率为11%，随访5年的死亡率为41%[3]。在美国，其影响更大，Framingham Heart研究发现，随访1年死亡率为20-30%，5年死亡率为45-60%[2]。这些统计数字十几年来都未改变。2012年，心衰相关的医疗支出约为310亿美元，占美国心血管疾病总预算的10%以上。随着患病率的增加，到2030年将高达690亿美元。
然而，克服心衰的挑战并不容易，尤其是缺乏高效的标志物和预测因子,这是全球心脏病学界的共识[4]。
一直以来，射血分数（EF）被用于左心室(LV)收缩功能的评估和收缩性心衰的诊断。但是LVEF并不完美，不能对事件做出准确预测。LVEF变化时常常已不能有效控制疾病进展。这一点已经被射血分数保留的心力衰竭(HFpEF)患者数量不断增加所证实，HFpEF已经占到临床诊断心衰患者的一半以上。
对更先进、更准确的测量方法和诊断标记的需求从未如此紧迫。而AI则可能有助于极大地简化和自动化GLS的测量过程。
02.
证据支持GLS用于心衰评估
越来越多的有力证据表明:GLS是一种比LVEF更有用的心衰衡量参数。2017年发表在《欧洲心力衰竭杂志(European Journal of Heart Failure)》上的一篇文章得出结论:GLS受损提示舒张功能障碍和左心室充盈压力升高，这常见于HFpEF患者[5]。此外,还发现左室GLS与壁应力、胶原合成和舒张功能障碍的生物标志物有关，表明即使在LVEF正常时也存在收缩和舒张功能障碍。
随后，来自杜克大学医学中心的一项研究发现: 急性HFpEF住院的患者中，左室GLS异常的发生率很高。此外，他们发现左室GLS异常与30天临床结局较差相关，但在1年后的随访数据中已无统计学相关性[6]。该研究的作者总结说:”左室GLS可能是鉴别一组心肌功能明显障碍HFpEF患者的有用的工具，这些患者在因心衰住院后有恶化的风险。”
在上个月最新发表的一项对近2200名患者的研究进一步强调了GLS在预测心衰严重程度方面的作用。这项观察性前瞻队列研究使用心超测量了2186名A至D期心衰患者(根据美国心脏协会(AHA)的标准)的GLS, 不仅发现GLS与心衰严重程度相关;而且通过中位数为3年的随访期间，发现GLS是全因死亡率和心源性死亡的预测因子[6]。
2019年的一篇综述回顾以往相关证据得出结论：GLS比LVEF有更大的预后预测价值，GLS增加了EF在预测不良结局方面的价值[8]。对心衰患者进行GLS综合评估可提供额外的预后信息，并在改善慢性收缩性心力衰竭风险分层方面发挥重要作用。虽然，研究者认为GLS有希望在未来成为心衰的标准测量，但他们也同时强调将其纳入日常实践仍面临诸多挑战。
03.
AI助力GLS提前进入临床实践
有效地将GLS用于心衰评估也面临自身的问题。大多数应变（Strain）分析软件需要某种程度的手动操作和轮廓画取，这使得计算结果容易受到人为误差的影响，而且不同超声设备供应商的GLS测量方法之间也存在差异。
心超医生也面临着成本限制。单次标准心超检查需要平均20-30分钟时间，在此基础上增加应变分析所需的测量，所花费的时间较长会产生问题。特别是在进行与新冠病毒相关的工作时，问题更加严峻。
费用是大规模GLS分析和报告的另一主要障碍。虽然大多数供应商为他们的超声仪器提供应变分析模块，但考虑到设备和软件许可证的数量与实际应用的病人群体，这向成本可能是极其昂贵的。此外在那些已经开始应用的中心发现，当在所有检查中常规进行应变分析而引起的操作者效率下降也会成为成本负担。
但AI可以在很多方面提供帮助。AI可以将可能导致观察者间差异的部分过程自动化。将GLS的最新研究成果与基于云的AI技术创新结合，不仅是改善心衰预后的关键，还可能降低应对心衰流行产生的代价。
参考文献:
1. Gianluigi Savarese and Lars H Lund. Global Public Health Burden of Heart Failure. Card Fail Rev. 2017 Apr; 3(1): 7–11. doi: 10.15420/cfr.2016:25:2.
2. Ibadete Bytyçi and Gani Bajraktari. Mortality in heart failure patients. Anatol J Cardiol. 2015 Jan; 15(1): 63–68. Published online 2014 Aug 19. doi: 10.5152/akd.2014.5731.
3. Albert Hofman, Monique M. B. Breteler, Cornelia M. van Duijn, et al. The Rotterdam Study: objectives and design update. Eur J Epidemiol. 2007 Nov; 22(11): 819–829. Published online 2007 Oct 23. doi: 10.1007/s10654-007-9199-x.
4. Ramachandran S. Vasan, Vanessa Xanthakis, Asya Lyass, et al. Epidemiology of Left Ventricular Systolic Dysfunction and Heart Failure in the Framingham Study: An Echocardiographic Study Over 3 Decades. J Am Coll Cardiol Cardiovasc Imaging. 2018 Jan, 11 (1) 1–11.
5. Adam D DeVore, Steven McNulty, Fawaz Alenezi, et al. Impaired left ventricular global longitudinal strain in patients with heart failure with preserved ejection fraction: insights from the RELAX trial. Eur J Heart Fail. 2017 Jul;19(7):893-900. doi: 10.1002/ejhf.754. Epub 2017 Feb 14.
6. Jonathan Buggey, Fawaz Alenezi, Hyun Ju Yoon, et al. Left ventricular global longitudinal strain in patients with heart failure with preserved ejection fraction: outcomes following an acute heart failure hospitalization. ESC Heart Failure. First published 20 April 2017. https://doi.org/10.1002/ehf2.12159.
7. Sven-Oliver Tröbs, Jürgen H. Prochaska, Sören Schwuchow-Thonke, et al. Association of Global Longitudinal Strain With Clinical Status and Mortality in Patients With Chronic Heart Failure. JAMA Cardiol. Published online February 3, 2021. doi:10.1001/jamacardio.2020.7184.
8. Kumar Ashisha, Mohammed Faisaluddinb, Dhrubajyoti Bandyopadhyay, et al. Prognostic value of global longitudinal strain in heart failure subjects: A recent prototype. IJC Heart & Vasculature. Volume 22, March 2019, Pages 48-49.
译者简介
尹乐康
复旦大学附属中山医院
尹乐康，CCI创新学院三期学员。复旦大学附属中山医院博士生，放射诊断学专业，导师为曾蒙苏教授，研究方向为心血管疾病的影像学诊断
CCI心血管医生创新俱乐部
联系客服
