此页面已自动翻译。如有任何差异,应以英文版本为准。.

修订日期:2026年7月16日

心脏病管理的未来

作者:彼得·梅格达尔 博士

如何使用本文

免责声明: 本文仅供教育参考,并非医疗建议。如有个人健康疑问,请务必咨询您的临床医生。.

易读

想象一下,你正在看着一座美丽的房子。草坪绿得完美,窗户干净明亮。从街上看,这栋房子显得崭新无比。然而在墙壁后面,却藏着一个“机器里的幽灵”。水管又旧又生锈,电线正在磨损并迸发火花。仅凭外表,你是看不到这些问题的。终于有一天,水管破裂或引发了火灾。所有人都惊呆了。他们说:“可是这房子看起来那么好啊!”

这正是许多人及其心脏所经历的情况。许多人去看医生,得到了“健康证明”。他们感觉很好。他们通过了基本检查。医生告诉他们一切“很好”。然后,突然之间,他们突发了 心脏病发作. 发生这种情况是因为我们过去的测试就像从街上看房子一样。它们漏掉了墙壁内部的“生锈水管”。.

今天,我们正处于一场巨大变革的起点。这是一次“范式转变”。这意味着我们正在从根本上改变做事的方式。我们不再等待心脏“起火”,而是利用人工智能(AI)在危险引发问题数年前就将其发现。我们正在从一个对痛苦做出反应的世界,走向一个能够清晰看清真相的世界。.

“隐形”危险:多数心脏病发作并非由完全堵塞引起

大多数人认为心脏病发作就像堵塞的厨房水槽。我们认为管道里充满了“污垢”,直到血液无法通过。在医学界,这种狭窄被称为“狭窄.。”医生们过去认为,如果某条管道堵塞了90%,患者就面临高风险;如果只堵塞了20%,他们就认为患者是安全的。.

但这里有一个可怕的秘密:大多数心脏病发作并不是发生在堵塞最严重的血管中,而是发生在看起来大部分通畅的血管中。.

试想一下管道壁内部的一个“水泡”。从外表看,管道完好无损。血液可以畅通无阻地流过。但在管壁内部,这个“水泡”里充满了柔软的脂肪状“油脂”。这种油脂非常不稳定。如果那个“水泡”破裂,就会突然形成血栓。正是这个血栓阻断了血流并导致了心脏病发作。由于在“水泡”破裂之前管道并没有“堵塞”,常规检查会显示此人完全健康。.

数字讲述了一个每个人都应该了解的故事:

“尸检和血管造影研究表明,在指数事件发生前,约70–75%的心肌梗死发生在狭窄程度小于50%的血管中。”

这意味着在每10个心脏病发作的人中,有7到8人在只检测大血管阻塞的检查中结果会是正常的。在灾难发生前,他们的心脏血管通畅度甚至超过了一半。这就是为什么在常规检查中“看起来很好”是远远不够的。.

标准测试为何会“失明”

长期以来,医生们使用“压力测试.。”你可能做过其中一项检查。你在跑步机上行走,同时仪器监测你的心率。如果你的心脏血管堵塞了90%,跑步时心脏就无法获得足够的血液,检查结果也会显示出来。 但如果你有那种“油腻的水泡”,只占了血管30%的宽度,那么跑步时血液依然能顺畅流动。尽管你体内潜藏着随时可能爆发的隐患,压力测试却会显示你“正常”。.

另一个常见的测试是 钙化积分. 这项检查用于寻找您心脏血管中的硬质钙。钙就像是一种“疤痕”。它表明过去曾有过损伤,现在已经像骨头一样变硬了。虽然了解您的钙化积分很有帮助,但这就像是看着十年前膝盖上的疤痕一样。它告诉你曾经受过伤,但并不能告诉你现在是否有新鲜的、出血的伤口。.

在心脏中,“油脂”(非钙化斑块) 是这种新鲜的危险。一个人的钙化积分可能为零,但心脏里依然充满了柔软而危险的脂肪斑块。以下是新型人工智能方法与传统方法的对比:

心脏的特征 传统检查(如钙化积分) 全新人工智能方式 (AI-QCT)
硬(钙化)瘢痕 非常容易看到 非常容易看到
柔软的“油性”水疱 完全看不到 非常清晰,易于查看
高风险润滑脂 对这种危险视而不见 很容易找到
总金额 斑块 仅为粗略猜测 精确测量 (mm³)
风险预测 大致猜测 高度准确且极具个性化

AI-QCT:您心脏的全新“超级视力”

为了解决这个问题,科学家们制造了一种工具,叫做 AI-QCT. 那是一个很大的名字,但你可以把它想象成一个“数码放大镜”。”

当人类医生查看心脏扫描时,他们是用眼睛看图片。即使是最好的医生也可能会漏掉微小的细节。AI-QCT(人工智能定量血流分数/冠状动脉CT血流储备分数,根据上下文通常指AI辅助定量CT)利用人工智能对图片进行更仔细的观察。人工智能不仅观察整个画面,它还观察“体素.体素就像是3D像素。想象一个极小极小的立方体。人工智能会观察你心脏管道里的每一个极小的立方体。.

人工智能使用了“深度学习”。这意味着计算机已经查阅了成千上万份其他的心脏扫描图像。它已经学会了识别肉眼根本无法察觉的模式。通过观察扫描数据中的阴影和颜色,它能够区分“安全的”硬质钙化斑块和“危险的”软质脂肪斑块。它是无创的,这意味着不需要将任何导管或导丝放入你的体内来进行观察。人工智能利用普通CT扫描的数据来完成“观察”。.

将数据转化为路线图:测量的力量

人工智能最强大的地方在于它能够“量化”事物。这意味着它能给我们一个确切的数字。医生不会说“你有一点斑块”,而是人工智能会说“你精确地拥有 154 立方毫米(mm³)的斑块”。”

为什么这很重要?因为你无法修复你无法衡量的问题。.

当医生确切了解你的心脏中有多少“油脂”时,他们就能制定出更好的治疗方案。这已在大型医学研究中得到了证实:

  • CONFIRM2 登记处: 这项研究观察了数千人。结果表明,当人工智能测量斑块时,医生在预测未来方面变得更加出色。他们预测心脏问题(称为AUC)的能力从0.62大幅提高到0.75。.
  • PROMISE 研究: 在这项研究中,人工智能分析了扫描图像并修改了结果。在41%例狭窄(狭窄症)病例中,人工智能对其进行了“重新分类”。这意味着,在每10人中,就有4人的诊断结果被人工智能认定为原有判断方式有误。.
  • CREDENCE 试验: 这表明,该人工智能与医生将导管插入心脏的昂贵且具有侵入性的检查一样出色。.
  • CERTAIN研究: 这项研究发现,使用人工智能让医生对下一步该做什么感到更加“确定”。它帮助医生开出了正确的药物,并避免了不必要的检查。.

这带来了一种叫做“达标治疗”(treat-to-target)的方法。它就像是你心脏的GPS。如果你有154立方毫米的斑块,你就会开始一个包含饮食、运动和药物的治疗计划。一年后,你再做一次扫描。如果人工智能说你现在有110立方毫米的斑块,你就知道你的计划奏效了!你实际上可以看到“油脂”在缩小。这给患者带来了巨大的宽慰和希望。.

新境界:光子计数CT

技术正在通过一项名为“光子计数CT”(PCCT)的新技术迈出巨大的一步。过去,CT扫描仪就像老式箱形电视机,拍出的照片有点模糊。其中一个大问题是“钙华斑块效应”。这就像手电筒发出的耀眼“眩光”。如果你有一块硬质钙化斑,它在图像中会亮得发光,从而掩盖了紧挨着它的软性脂肪。.

新型光子计数机器直接将光转化为电能。这使得图像更加清晰。这就像是从一台旧电视升级到全新的高清屏幕。.

这款新硬件解决了很多问题:

  1. 告别眩光: 它阻止了“钙华现象”。人工智能现在能够穿透坚硬的“疤痕”看到隐藏的油脂。.
  2. 更清晰的图片: 它消除了图像中的“噪声”或模糊感。.
  3. 造福更多人: 过去,如果一个人有一个非常快的 心率 或者是更重,这些照片都太模糊而无法使用。这些新机器可以清晰地看透几乎任何东西。.

结论:心脏病发作将成为可选项的未来

我们正在迈入一个新时代。过去,心脏护理是“阶段性的”。这意味着你只是偶尔检查一次心脏,或者只有在胸口感到疼痛时才去检查。这就像直到迷路后才去查看GPS导航一样。.

现在,我们将转向“纵向”监测。这意味着我们要随着时间推移追踪疾病的发展,就像开车时看着地图一样。我们能够在水管破裂多年前就看到其生锈的最早迹象。我们世界正面临着一项巨大的挑战:

“由于心血管疾病仍然是全球首要死因,且预计到2030年年均死亡人数将超过2000万,因此在临床事件发生之前改进高危冠状动脉粥样硬化的识别方法变得愈发必要。”

借助人工智能和新型扫描仪,其中许多死亡是可以避免的。我们不再需要猜测某人是否健康。我们可以看到真相。我们可以看到药物是否有效。我们可以预见未来。.

如果您今天就能预见内心的未来,您会改变明天的生活方式吗?借助人工智能,我们终于拥有了预见未来的力量——以及将其改得更好的力量。.

医学免责声明: 本文仅供教育参考,并非医疗建议。请务必就个人指导咨询您的临床医生。“治愈心脏病”有限责任公司(Curing Heart Disease, LLC)是一个注册商号,并不暗示对任何疾病进行诊断、治疗、治愈或预防。信息仅供教育参考,并非医疗建议。使用此信息风险自负。如有任何关于医疗状况的问题,请务必寻求医生的建议。.

深入探讨

预防心脏病学中的技术复兴——人工智能、定量冠状动脉体层成像

介绍

心血管医学正在经历实质性的范式转变,从以反应性和症状驱动为主的模式转向立足于早期检测和个体化风险评估的预防性框架。这一转变的核心是将人工智能(AI)与冠状 计算机断层扫描 血管造影(CCTA),特别是通过发展 动脉粥样硬化 影像定量计算机断层扫描(AI-QCT)。该方法解决了心脏病学中长期存在的一个局限性:传统诊断工具无法可靠地检测出非阻塞性、富含脂质的冠状动脉 斑块, ,尽管如此 病变 承担大部分 急性冠状动脉综合征 以及 心脏性猝死 事件 (1).

这一局限性的临床意义重大。流行病学和病理学研究一致表明,大多数 心肌梗死 源于破裂前不限制血流的斑块(2)。随着 心血管疾病 仍然是全球首要的死亡原因,预计到2030年,年死亡人数将超过2000万,因此越来越需要改进在临床事件发生前识别高危冠状动脉粥样硬化的方法(3)。.

 

心脏危险分层与动脉粥样硬化生物学的演变

传统的心血管风险分层依赖于间接标志物,例如血清脂质水平,, 血压, 血糖控制, 吸烟 状态,以及纳入基于人口的中的人口统计学变量 风险计算器. 虽然这些模型已被证明在人群层面很有用,但当它们应用于个别患者时,往往缺乏精确度,特别是对于那些表面上“正常”的患者” 风险因素 那些尽管如此仍潜藏着严重亚临床疾病的个体(4)。.

动脉粥样硬化是动脉壁的一种慢性炎症性疾病,而不仅仅是一种单纯由管腔阻塞定义的疾病。斑块形成于 内膜 并且由不同比例的脂质、纤维组织、炎性细胞和钙化组成。常规诊断测试——包括运动负荷试验、心电图和有创冠状动脉造影——主要在疾病产生 血流动力学显著性狭窄, ,通常定义为管腔狭窄程度达到70%或以上(5)。.

洞察 1: 尸检和血管造影研究表明,约70–75%的心肌梗死发生在狭窄程度小于50%的血管中。 狭窄 在索引事件发生之前,这表明大多数经历急性冠脉综合征的患者仅通过标准负荷试验是无法被识别为高危人群的 (2)。.

洞察 2: 冠状动脉 动脉 钙化积分(CACS)的开发旨在通过识别……来提高对亚临床疾病的检测能力 钙化斑块. 然而,CACS 并没有检测到 非钙化斑块, ,和一个 钙化积分 为零并不能排除富含脂质、易损病灶的存在 (6)。.

洞察 3: AI-QCT 实现了对整个冠状动脉的无创定量分析 斑块负荷, ,包括 低密度非钙化斑块, ,已被证明与未来心血管事件的关系比单纯的狭窄严重程度更密切(7)。.

斑块特征 能见度 (CACS) 可见度(标准 CCTA) 能见度 (AI-QCT) 临床风险概况
钙化斑块 总体稳定;慢性疾病的标志
非钙化斑块 定性 / 有限 量化 / 高 破裂风险升高
低密度斑块 变量 与 ACS 强相关
总计 斑块体积 间接估计 精确 (mm³) 未来事件的强烈预测指标

人工智能辅助冠状动脉分析的技术架构

AI-QCT 平台对冠状动脉树进行体素级分析,而不仅仅依赖于目视判读。这些系统采用深度学习架构——包括卷积神经网络 (CNN)、三维 U-Net 分割模型以及源自 VGG 的分类器——并在大型精心策划的数据集上进行训练,将影像特征与有创验证及长期临床结果联系起来 (8)。.

洞察 4: AI-QCT从获取高分辨率CCTA开始。包括64排和640排扫描仪在内的当代多排CT系统,提供了时间分辨率和 空间分辨率 有必要最大程度地减少运动伪影,并准确分割冠状动脉解剖结构 (5)。.

洞察 5: 自动算法识别冠状动脉 流明 并根据亨斯菲尔德单位衰减值对斑块成分进行分类,从而能够区分富含脂质的组织、纤维组织和钙化组织(9)。.

洞察 6: 人工智能生成的 缺血 指数整合了斑块形态、病变长度、血管重塑和管腔几何形态来评估血流受限情况,为侵入性检查提供了无创的相关指标 血流储备分数 (FFR) (10).

临床验证与同行评议证据

AI-QCT 已在心血管和影像学领域的顶尖期刊上发表的多项前瞻性试验、注册研究和对比研究中进行了评估,其中包括 美国心脏病学会杂志, Circulation: Cardiovascular Imaging, ,和 欧洲心脏杂志 – 心血管影像学 (11).

具有里程碑意义的试验和注册研究

洞察 7:CREDENCE 试验 展示了AI辅助的CCTA分析与有创检查之间的高度一致性 定量冠状动脉造影 以及FFR,支持人工智能定量CT(AI-QCT)用于识别血流动力学意义显著病变的诊断准确性(12)。.

洞察 8:CONFIRM2 登记处, ,涵盖多个国家的数万名患者,表明人工智能量化的斑块特征识别出了非阻塞性患者之间广泛的心血管风险梯度 冠状动脉疾病 (7).

洞察 9:某研究 证明了与标准解读相比,AI-QCT 显著提高了诊断确定性,从而带来了更合适的药物治疗并减少了不必要的后续检查 (1)。.

学习 N 关键发现 P值 临床意义
确认2 6,550 MACE的AUC从0.62提高到0.75 <0.001 提高了预后准确性
信任 513 与侵袭性 FFR 的高度一致性 <0.01 可行的无创缺血评估
PACIFIC-1 208 人工智能超越了专业读者 <0.05 减少观察者间变异性
PROMISE(子集) 4,347 41% 狭窄的重新分类 减少误报

预防心脏病学实施与纵向疾病监测

将 AI-QCT 整合到预防心脏病学的工作流程中,使临床重点从发作性评估转向对动脉粥样硬化疾病的纵向监测。.

洞察 10: 总斑块负荷的量化能够对疾病随时间进展或消退进行客观评估,从而有助于实施以系列影像学检查为指导的达标治疗策略(7)。.

洞察 11: 基于人工智能的比较工具允许评估斑块成分的变化,包括其稳定或消退 富脂斑块 对药物治疗的反应 (13)。.

硬件进展:光子计数计算机断层扫描

AI-QCT的性能取决于输入成像数据的质量,而该质量随着CT硬件的进步而不断提高。.

见解 12: 光子计数CT 系统直接将X射线光子转换为电信号,从而减少电子噪声并 钙泛白伪影 与传统的能量积分探测器(14)相比。.

洞察 13: PCCT 提供了更高的空间分辨率以及更低的辐射和对比剂剂量,扩大了冠状动脉 CT 成像的适用人群,使其适用于 心率, ,升高的 身体质量指数, ,或广泛的冠状动脉 钙化 (15).

经济与卫生系统影响

采用人工智能的心脏影像学技术契合了医疗行业向价值导向型医疗和预防医学发展的更广泛趋势。.

洞察 14: 市场分析预测,在诊断效率的提高以及与急性冠状动脉事件相关的后期成本潜在降低的推动下,心血管病学中人工智能应用将实现快速增长(16)。.

洞察 15: 早期识别高风险 斑块表型 通过实现更早和更具针对性的干预,可能降低心肌梗死发生率及相关的医疗费用(17)。.

结论与未来展望

预防心脏病学正日益向一种生物学循证模式转变,该模式强调斑块负荷和成分,而不仅仅是狭窄程度。AI-QCT 为在临床事件发生前评估冠状动脉粥样硬化提供了一个可重复的定量框架。.

洞察 16: 未来的发展可能包括集成自主智能体AI系统、纵向数字心脏模型以及结合基因组和代谢信息的多模态数据流(18)。.

见解 17: 随着人工智能在图像解读和定量分析中承担更多角色,临床医师可能会日益将精力集中于更高级别的临床决策、风险沟通以及个体化治疗优化(19)。.

参考文献

  1. Nurmohamed NS, Cole JH, Budoff MJ, et al. Impact of atherosclerosis imaging-quantitative computed tomography on diagnostic certainty, downstream testing, coronary revascularization, and medical therapy: the CERTAIN study. Eur Heart J Cardiovasc Imaging. 2024;25(6):857-866. doi:10.1093/ehjci/jeae029
  2. Falk E, Shah PK, Fuster V. Coronary plaque disruption. Circulation. 1995;92(3):657-671. doi:10.1161/01.cir.92.3.657
  3. Global Burden of Cardiovascular Diseases and Risks 2023 Collaborators. Global, Regional, and National Burden of Cardiovascular Diseases and Risk Factors in 204 Countries and Territories, 1990-2023. J Am Coll Cardiol. 2025;86(22):2167-2243. doi:10.1016/j.jacc.2025.08.015
  4. Lloyd-Jones DM. Cardiovascular risk prediction: basic concepts, current status, and future directions. Circulation. 2010;121(15):1768-1777. doi:10.1161/CIRCULATIONAHA.109.849166
  5. Douglas PS, Hoffmann U, Patel MR, et al. Outcomes of anatomical versus functional testing for coronary artery disease. N Engl J Med. 2015;372(14):1291-1300. doi:10.1056/NEJMoa1415516
  6. Greenland P, Blaha MJ, Budoff MJ, Erbel R, Watson KE. Coronary Calcium Score and Cardiovascular Risk. J Am Coll Cardiol. 2018;72(4):434-447. doi:10.1016/j.jacc.2018.05.027
  7. Feuchtner GM, Lacaita PG, Bax JJ, et al. AI-Quantitative CT Coronary Plaque Features Associate With a Higher Relative Risk in Women: CONFIRM2 Registry. Circ Cardiovasc Imaging. 2025;18(6):e018235. doi:10.1161/CIRCIMAGING.125.018235
  8. Oikonomou EK, Khera R. Machine learning in precision diabetes care and cardiovascular risk prediction. Cardiovasc Diabetol. 2023;22(1):259. Published 2023 Sep 25. doi:10.1186/s12933-023-01985-3
  9. Koo BK, Yang S, Jung JW, et al. Artificial Intelligence-Enabled Quantitative Coronary Plaque and Hemodynamic Analysis for Predicting Acute Coronary Syndrome. JACC Cardiovasc Imaging. 2024;17(9):1062-1076. doi:10.1016/j.jcmg.2024.03.015
  10. Nørgaard BL, Leipsic J, Gaur S, et al. Diagnostic performance of noninvasive fractional flow reserve derived from coronary computed tomography angiography in suspected coronary artery disease: the NXT trial (Analysis of Coronary Blood Flow Using CT Angiography: Next Steps). J Am Coll Cardiol. 2014;63(12):1145-1155. doi:10.1016/j.jacc.2013.11.043
  11. Beerkens FJ, Tang GHL, Kini AS, et al. Transcatheter Aortic Valve Replacement Beyond Severe Aortic Stenosis: JACC State-of-the-Art Review. J Am Coll Cardiol. 2025;85(9):944-964. doi:10.1016/j.jacc.2024.11.051
  12. Griffin WF, Choi AD, Riess JS, et al. AI Evaluation of Stenosis on Coronary CTA, Comparison With Quantitative Coronary Angiography and Fractional Flow Reserve: A CREDENCE Trial Substudy. JACC Cardiovasc Imaging. 2023;16(2):193-205. doi:10.1016/j.jcmg.2021.10.020
  13. Zaman S, Wasfy JH, Kapil V, et al. The Lancet Commission on rethinking coronary artery disease: moving from ischaemia to atheroma. Lancet. 2025;405(10486):1264-1312. doi:10.1016/S0140-6736(25)00055-8
  14. Willemink MJ, Persson M, Pourmorteza A, Pelc NJ, Fleischmann D. Photon-counting CT: Technical Principles and Clinical Prospects. Radiology. 2018;289(2):293-312. doi:10.1148/radiol.2018172656
  15. Schiebler ML, Jinzaki M, Yanagawa M, et al. Future Applications of Cardiothoracic CT. Radiology. 2025;315(3):e240085. doi:10.1148/radiol.240085
  16. Windecker S, Gilard M, Achenbach S, et al. Device innovation in cardiovascular medicine: a report from the European Society of Cardiology Cardiovascular Round Table. Eur Heart J. 2024;45(13):1104-1115. doi:10.1093/eurheartj/ehae069
  17. Undas A, Musiał J, Ząbczyk M. Antiphospholipid antibodies and atherosclerotic vascular disease: recent advances. Rheumatol Int. 2025;45(12):279. Published 2025 Nov 29. doi:10.1007/s00296-025-06050-8
  18. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7
  19. Shetty NS, Gaonkar M, Pampana A, et al. Association of Pathogenic/Likely Pathogenic Inherited Cardiomyopathy Variants With Heart Failure: A TOPMed Multiancestry Analysis. Mayo Clin Proc. 2025;100(11):1948-1955. doi:10.1016/j.mayocp.2025.01.021

透明度说明: 本博文借助了人工智能工具生成。最终内容已经过作者的仔细审阅和编辑,作者对内容的准确性负责。所提供的信息仅供教育参考,不构成医疗建议。.

AI应用

心脏风险计算器

带有H评分洞察、可视化家谱输入和可分享PDF报告的教育型家族病史心脏风险计算器。.

在此阅读为什么这款应用如此重要。.