阿明·加尔马尼（Armin Garmany）|何塞·K·詹姆斯（Jose K. James）|格雷戈里奥·特尔萨尔维（Gregorio Tersalvi）|帕特里夏·凯里（Patricia Carey）|克里斯托弗·G·斯科特（Christopher G. Scott）|威尔·霍克斯（Will Hawkes）|阿什利·阿克曼（Ashley Akerman）|罗斯·阿普顿（Ross Upton）|安吉拉·迪斯彭齐埃里（Angela Dispenzieri）|玛莎·格罗根（Martha Grogan）|奥马尔·F·阿布埃泽丁（Omar F. AbouEzzeddine）|帕特里夏·A·佩利卡（Patricia A. Pellikka）
摘要（296字）
背景
为了改进心脏淀粉样变性（CA）的筛查方法，已经开发了多种基于人工智能（AI）和传统统计学的模型。然而，目前可用的数据很少，难以比较这些工具的相对效用。本研究通过对比这些模型，以确定它们在优化诊断算法中的潜在作用。
方法
在这项回顾性队列研究中，我们纳入了因疑似心脏淀粉样变性（尤其是转甲状腺素蛋白淀粉样变性，ATTR-CA）而接受心脏闪烁显像检查的患者，这些患者均在6个月内完成了心电图（ECG）和经胸超声心动图（echocardiography）检查，并提供了用于计算风险评分的临床特征。研究比较了先前开发并经过验证的临床风险模型和AI风险模型在诊断ATTR-CA方面的性能，包括基于转甲状腺素蛋白的ATTR-CM临床评分，以及应用于心电图（AI-ECG）和超声心动图（AI-Echo）的AI模型。每个模型都使用了预先定义的阈值。由于在排除阿尔茨海默病相关淀粉样变性（AL amyloidosis）后对ATTR-CM评分进行了验证，因此有28名患有AL amyloidosis的患者被排除在外。AL amyloidosis和ATTR-CA的诊断依据均符合相关指南标准。
结果
在598名患者中（中位年龄76岁[67–82岁；72.6%为男性]），181人（30%）被诊断为ATTR-CA。AI-Echo的敏感性为86%，特异性为85%，而AI-ECG的敏感性为80%，特异性为64%；ATTR-CM临床评分的敏感性为86%，特异性为69%。AI-Echo的AUC值为0.93（95%置信区间0.91–0.95），AI-ECG的AUC值为0.79（0.76–0.83），ATTR-CM临床评分的AUC值为0.87（0.84–0.90），p < 0.001。在该队列中，当筛查阈值为0.25（即每4例需要心脏闪烁显像检查的患者中仅有1例为ATTR-CA）时，使用AI-Echo相比AI-ECG或ATTR-CM临床评分，可以避免更多不必要的检查（分别为45例、24例和37例）。
结论
在心脏淀粉样变性高风险人群中，AI-Echo模型在识别ATTR-CA方面表现出优于AI-ECG模型和ATTR-CM临床评分的诊断能力和临床实用性。
