利用人工智能和新型传感器推动心脏护理革命

心血管疾病是全球大多数地区的主要死因。每年，全球有4亿例缺血、心力衰竭和心律失常病例。心脏病是美国的头号杀手，加上中风，其经济负担超过2540亿美元。预计到2050年，心血管疾病的成本将达到约2万亿美元。

目前最广泛使用的监测心脏活动和检测心脏问题的标准诊断工具——心电图（EKG）——虽然大大提高了心脏护理水平，但也有局限性。最显著的是，通过EKG测量的心脏电信号在穿过身体时可能会被扭曲，这会使得诊断变得复杂，并可能导致不准确甚至危险的结论。EKG已有超过150年的历史，因此迫切需要更先进的技术来替代它。

得益于人工智能领域的突破和更强大的传感器的可用性，一种高度先进且更精确的磁心图（MCG）工具正在医疗界引起积极关注。MCG通过分析心脏发出的磁场变化来测量心脏活动。与EKG不同，这些信号不会被人体组织扭曲，因此可以提供更高保真的诊断数据。

尽管基于MCG的设备已经存在了几十年，但由于其高昂的成本、庞大的体积和复杂性，它们的应用仅限于大型医疗机构。例如，早期基于SQUID（超导量子干涉装置）的MCG设备需要一个专门的大房间，并且需要特殊的电磁屏蔽和低温冷却系统才能运行，这增加了成本。这些因素使得它们无法扩展到少数几个大型医疗中心之外。

然而，新一代的MCG设备则小得多且自成一体，可以安装在病床旁边或用推车带到患者身边进行现场护理。它们可以在室温下低功率运行，不需要复杂的冷却或屏蔽系统。这极大地扩大了MCG在急诊室、救护车、野外诊所等场所的潜在应用。这也使小型设施拥有和运营MCG变得更加经济实惠，从而降低了患者和保险公司的成本。此外，这对患者来说也更加舒适，他们不必忍受饮食限制、注射染料或长时间在狭小空间内接受检查。

人工智能在医疗中的现实性

人工智能在医疗领域的应用正在蓬勃发展，不仅在药物发现方面（这是另一个话题），也在医疗设备方面。AI增强型诊断市场预计将从2023年的163亿美元增长到2027年的712亿美元。下一代MCG设备有潜力通过填补EKG和生物标志物测试（测量心脏酶水平并需要数小时实验室分析）之间的空白，以及昂贵且复杂的MRI、PET、CT和侵入性血管造影程序，来提升患者护理水平。

人工智能是驱动这些新一代MCG设备的关键因素。首先，我们可以训练AI模型来过滤掉医院环境中存在的外部干扰——包括来自灯光、电梯和其他医院设备的电磁干扰——从而消除了物理屏蔽的需求，显著降低了设备的成本和体积。更重要的是，AI能够将心脏的磁信号转换为可视化图像，描绘出患者的电生理信号，并最终将其转化为医生可以使用的可操作见解。

与其他AI工具一样，实施AI驱动的MCG设备也存在固有的风险。培训非常重要——无论是对于AI模型还是使用这些设备的人员。基于解剖学、生物学、生理学和药理学数学基础训练的大型定量模型比基于医学文本训练的大型语言模型更不容易出现幻觉，但如果可用数据不够充分、代表性不足或多样性不足，其训练可能会受到影响。由于培训不足的人员造成的误读可能导致假阳性或假阴性结果，不必要的干预或漏诊。

这些风险可以通过设备制造商与临床医生密切合作来克服，开发直观的用户界面，或者在与其他诊断模式结合的情况下训练AI模型，并比较结果。

最初，医疗专业人员可能不信任AI生成的MCG解释，可能会继续让患者接受更传统的诊断测试（影响患者护理、急诊室效率和护理成本）。另一方面，忙碌的专业人员可能会过度依赖AI生成的见解，而不是利用他们的临床专业知识进行诊断。大规模实施AI系统既涉及技术变革管理，也涉及教育临床医生如何与AI协同工作。

实施新一代MCG设备的另一个缺点是成本。已经花费数百万美元购买MRI、PET、CT等设备的大型设施可能会寻求最大化这些设备的投资回报率，然后再更换或投资新设备。较小或较偏远的医院可能没有预算投资MCG，或者可能没有合适的人员（例如介入心脏病专家）来治疗诊断出的疾病。

心脏诊断的速度和准确性对于提高患者护理和心脏病发作期间的生存率至关重要。例如，在美国，胸痛是患者急诊就诊的主要原因之一。根据全国医院门诊医疗护理调查数据，美国急诊室每年有超过800万例胸痛病例——其中只有少数是由心脏病发作引起的。如果有一种快速准确的测试可以在现场甚至在救护车前往急诊室的路上进行，许多病例可以立即从急诊室转移出去。许多疑似心脏病发作的患者随后会被收治住院进行短期观察，这每年要花费30亿美元。如果临床医生有工具可以帮助他们更快地将良性胸痛与急性心脏病发作区分开来，我们可以降低成本，更准确地对患者进行分诊，并在病情恶化之前更快地进行治疗。

(全文结束)