英国心脏基金会（BHF）的研究团队开发了一个机器学习模型，将患者就诊或连续检测时的心肌肌钙蛋白浓度与临床特征相结合，计算个体的急性冠脉综合征诊断和评估联合（CoDE-ACS）评分（0-100），相当于
前段时间，奇点糕偶然看到一篇保险公司的报告文章，里面提到，从理赔数据来看，2022年“最危险”的三大重疾分别是恶性肿瘤、急性心肌梗死和卒中后遗症。虽然知道心肌梗死（MI）情势严峻，但是排名第二，这属实还是让糕有点吃惊。
目前，MI的诊断主要依靠高灵敏度的心肌肌钙蛋白检测，但它们有一些局限性，例如，阈值固定，没有考虑年龄、性别和合并症因素，这导致约50%的女性可能在初始诊断中得到错误的结果[1]，另外，心肌肌钙蛋白检测基于特定时间点的连续检测，在繁忙的急诊科中很难持续进行[2]。
最近，《自然·医学》杂志上刊登的一项新研究[3]试图解决这个问题，英国心脏基金会（BHF）的研究团队开发了一个机器学习模型，将患者就诊或连续检测时的心肌肌钙蛋白浓度与临床特征相结合，计算个体的急性冠脉综合征诊断和评估联合（CoDE-ACS）评分（0-100），相当于量化评估个体的MI风险。
模型的建立基于10038例参与者（48%为女性）的数据，并且在7个队列的10286例参与者中进行了验证，对MI的区分能力极佳，曲线下面积（AUC）达到0.953。
CoDE-ACS的衍生队列包含10038例疑似MI患者，中位年龄70岁，48%为女性，来自苏格兰的二级或三级保健医院，是否为MI的诊断依据第四版通用MI定义，由两位医生独立给出诊断结果，如存在分歧，则第三位医生介入。
连续心肌肌钙蛋白检测的最终校正诊断显示，就诊时存在心肌损伤的6239例参与者中有49%被诊断为1、4b或4c型MI，13%为2型MI，38%为非缺血性MI，没有心肌损伤的3799例参与者中这三类诊断结果的比例分别为3%、1%和1%。
研究人员首先计算了心肌肌钙蛋白阈值的诊断性能，在就诊时没有心肌损伤的参与者中，＜5ng/L的排除阈值的阴性预测值为99.6%。按照年龄、性别、症状发作后就诊时间和估计肾小球滤过率（eGFR）等特征分类的各亚组中，均存在显著异质性，预测值较低。
接下来，他们使用参与者的数据对CoDE-ACS模型进行了训练，CoDE-ACS模型将心肌肌钙蛋白作为连续测量值，与年龄、性别、症状发作时间、胸痛症状、缺血性心脏病、高脂血症、心率、收缩压、Killip分级、心电图的心肌缺血结果、肾功能和血红蛋白这些指标相结合。
在没有心肌损伤的参与者中，CoDE-ACS评分＜3符合预先设定的低风险MI诊断表现标准，阴性预测值达到99.5%，敏感性为90.2%。在有心肌损伤的参与者中，CoDE-ACS评分≥61符合预先设定的高风险MI诊断表现标准，阳性预测值达到80.1%，特异性为83.4%。这一评分标准在不同亚组中得到了一致的结果。
CoDE-ACS＜3和≥61的阴性和阳性预测值
外部验证队列共选择了7个回顾性队列，涵盖了6个国家的10286例参与者，中位年龄60岁，35%为女性。
在8664例和1622例有和没有心肌损伤的参与者中，分别有1032例和267例最终诊断为MI，CoDE-ACS的区分能力很强，就诊时的AUC为0.953，有连续心肌肌钙蛋白检测结果时的AUC为0.966。
CoDE-ACS的AUC
将就诊时心肌肌钙蛋白＜5ng/L应用于心电图未显示心肌缺血的症状发作超过3小时的参与者中，可以排除27%的低风险MI，阴性预测值为99.7%，敏感性为98.3%，而使用CoDE-ACS评分＜3识别出了61%的低风险MI，阴性预测值为99.6%，敏感性为97.9%。
以就诊时性别特异性心肌肌钙蛋白水平的第99百分位为高风险阈值时，可以确定16%的高风险MI，阳性预测值为63.6%，特异性为93.4%，而使用CoDE-ACS评分≥61识别出了10%的高风险MI参与者，阳性预测值为75.5%，特异性为97.1%。
CoDE-ACS的两个评分标准在绝大多数亚组中均具有较好的预测能力，仅在按照年龄或性别划分的亚组中观察到了部分异质性。
对于评分介于3-60之间的参与者，需要进行连续检测，在第一次连续检测时，CoDE-ACS评分＜3或≥61进一步识别出了额外的11%和5%的低风险和高风险MI参与者。
与就诊时的识别结果相加之后，有72%的低风险MI参与者和15%的高风险MI参与者，阴性预测值为99.6%，敏感性为97.5%，阳性预测值为71.3%，特异性为95.1%，其余15%为中等风险，可进行进一步的住院评估或门诊随访。
包含机器学习模型的风险评分途径比固定的心肌肌钙蛋白阈值更灵活，允许医院系统根据实际情况应用更加宽松或更加严格的标准来定义MI的低风险和高风险。
在就诊后1年，验证队列中，有144例参与者（1.4%）因心脏原因死亡，317例（3.1%）因任意原因死亡。与CoDE-ACS评估的中或高风险的MI参与者相比，低风险MI参与者的30天心脏原因死亡率明显更低（0.1 vs. 0.5 vs. 1.8%），全因死亡率也明显更低（0.1 vs. 0.9 vs. 2.0%），1年心脏原因死亡率和全因死亡率也是如此（0.3 vs. 2.8 vs. 4.2%；1.1 vs. 6.1 vs. 6.7%，p＜0.001）。
研究人员指出，对于因心脏病发作而出现急性胸痛的的患者，早期诊断和治疗可以挽救生命，但许多情况都会导致相似的症状，医生很难给出直接的诊断，利用大数据和人工智能结合检测结果给出临床决策，有助于改善患者护理，提高急诊科的诊断效率。
参考文献：
[1] British Heart Foundation. Bias and Biology: How the gender gap in heart disease is costing women’s lives. Available at: https://www.bhf.org.uk/-/media/files/heart-matters/bias-and-biology-summary.pdf.
[2] Couch L S, Sinha A, Navin R, et al. Rapid risk stratification of acute coronary syndrome: adoption of an adapted European Society of Cardiology 0/1-hour troponin algorithm in a real-world setting[J]. European heart journal open, 2022, 2(4): oeac048.
[3] Doudesis D, Lee K K, Boeddinghaus J, et al. Machine learning for diagnosis of myocardial infarction using cardiac troponin concentrations[J]. Nature Medicine, 2023: 1-10.
