约翰斯·霍普金斯大学研发的MAARS AI模型，结合心脏MRI图像与健康记录数据，显著提升了对突发性心脏骤停高风险人群的识别准确度。该研究成果发表于《自然-心血管研究》杂志。MAARS模型在预测准确性上远超现有临床指南，尤其是在40至60岁高风险人群中，准确率高达93%。该模型通过分析心脏MRI图像中的瘢痕图样，识别关键风险信号，有望改变临床决策方式，并计划应用于其他心脏疾病风险评估。

❤️‍🩹 MAARS模型通过结合心脏MRI图像与广泛的健康记录数据，能够识别出以往难以察觉的预警信号，从而实现对心血管风险的更精准预测。

🧐 研究重点关注了肥厚型心肌病，这是一种常见的遗传性心脏疾病，也是年轻人突发心脏骤停的主要诱因之一。MAARS模型能够更准确地识别出患有这种疾病的高风险患者。

💡 与美国和欧洲现行临床指南约50%的准确率相比，MAARS模型的整体准确率达到89%，在40至60岁这一最高风险人群中的准确率更是提升至93%。

🩺 该模型通过分析对比增强型MRI扫描中的心脏瘢痕图样，识别出突发性心脏骤停的关键征兆。过去这类图像信息较难为医生准确解读，如今借助深度学习，得以转化为可操作的风险指标。

🚀 约翰斯·霍普金斯大学团队计划扩大模型的测试范围，并将该算法推广至其他类型的心脏疾病风险评估，包括心脏结节病和致心律失常性右心室心肌病。

IT之家 7 月 5 日消息，据新华社今日报道，美国约翰斯・霍普金斯大学开发出一款多模态人工智能模型，在识别突发性心脏骤停高风险人群方面，明显优于现行的临床指南。这一研究结果已在最新一期的《自然-心血管研究》杂志上发表。

这款名为 MAARS 的 AI 系统（IT之家注：全称为“多模态 AI 室性心律失常风险分层系统”）结合了心脏 MRI 图像与广泛的健康记录数据，能发现以往难以察觉的预警信号，使心血管风险预测达到更高的准确度。

研究聚焦于肥厚型心肌病。这是一种常见的遗传性心脏疾病，也是年轻人突发心脏骤停的主要诱因之一。

约翰斯・霍普金斯大学生物医学工程教授、心血管 AI 研究专家 Natalia Trayanova 表示：“我们眼下既有患者因缺乏保护措施在黄金年龄猝死，也有人终身植入除颤器却几乎没有任何获益。我们现在已经可以非常准确地判断某人是否处于极高风险之中。”

美国与欧洲现行临床指南在判断高风险患者方面准确率仅约为 50%。相比之下，MAARS 模型的整体准确率达 89%，对于 40 岁至 60 岁这一最高风险人群的准确率更提升至 93%。

该模型通过分析对比增强型 MRI 扫描中的心脏瘢痕图样，识别出突发性心脏骤停的关键征兆。过去这类图像信息较难为医生准确解读，如今借助深度学习，得以转化为可操作的风险指标。

约翰斯・霍普金斯大学心脏电生理学副教授 Jonathan Chrispin 表示：“研究结果显示，MAARS 模型比现有算法更能准确识别高危患者，有潜力从根本上改变临床决策方式。”

约翰斯・霍普金斯大学团队还计划扩大模型的测试范围，并将该算法推广至其他类型的心脏疾病风险评估，包括心脏结节病和致心律失常性右心室心肌病。