医疗健康

受控研究显示,人工智能引导的超声心动图检查图像合格率较高

Lila Rowan
将 Unite.AI 添加到您在 Google 上的首选来源
要点受控环境下的超声心动图检查达到98.0%的诊断质量,而分散的社区研究汇总为63.7%。
查看更多
  • 受控环境下的超声心动图检查达到98.0%的诊断质量,而分散的社区研究汇总为63.7%。
  • 该环境比较为事后分析,并受到监督培训和患者选择的混杂影响,因此因果关系仍未得到证实。
  • 获得诊断质量的图像并不等于准确诊断,且没有研究将人工智能引导与患者结局联系起来。

Bijay Bastola 及其同事开展的一项系统综述与荟萃分析于 2026 年 11 月 16 日发表在《BMC Cardiovascular Disorders》上。该研究估算,在八项研究中,初学者和非专家操作人员借助实时人工智能引导,获得诊断质量超声心动图图像的合并率为 96.3%。这一指标反映的是图像采集是否达到各项研究预先设定的合格标准。

不同部署环境下的结果差异显著。在受控或结构化条件下开展的六项研究,合并图像合格率为 98.0%,95% 置信区间为 96.7% 至 99.2%。两项在分散的真实社区环境中开展的研究,合并图像合格率为 63.7%,95% 置信区间为 20.6% 至 92.6%;两项研究各自的合格率分别为 44.8% 和 79.8%。荟萃回归分析发现,亚组间差异具有统计学显著性(p < 0.001)。

作者将这一比较视为事后探索性分析,而非预先注册的分析。部署环境与监督方式、培训、操作人员背景、患者选择及结果定义等因素相互交织,因此该分析不能证明环境是造成差异的原因。由于社区研究仅有两项,较低的估算值只是描述性结果,不能据此预测未来项目的成功率。

这项综述评估了什么

分析涵盖 2,365 条检查、扫描或图像层面的观察记录,均由 74 名此前未接受过正式超声心动图培训或认证的操作人员采集。符合条件的研究均涉及真实患者,并在图像采集过程中使用人工智能引导,而非对先前拍摄的图像进行自动解读。证据涵盖五种人工智能系统和多类操作人员,包括护士、非临床研究人员、医学实习人员、全科医生及社区卫生工作者。

两名评审人员分别独立检索了 PubMed/MEDLINE、Google Scholar、Embase、Scopus 和 ClinicalTrials.gov,最后一次更新检索的日期为 2026 年 9 月 27 日。第二种统计模型估算的总体图像合格率为 93.0%;采用不同研究集、结果定义和统计方法进行的敏感性分析,结果介于 91.2% 至 97.8% 之间。主要估算值的 95% 置信区间为 85.5% 至 99.3%。由于各研究之间存在显著差异,作者提醒,不应将总体估算值视为新部署项目普遍适用的图像合格率。

图像合格性与临床结局

在五项研究中,图像合格性由独立专家阅片者评定。其余三项研究将合格定义为人工智能软件成功生成自动化左心室射血分数读数;左心室射血分数是一项心脏功能指标。因此,被评估的系统本身也决定了结果。并非每条观察记录都对应一名独立患者:六项研究报告了检查次数,一项研究统计了 10 名患者的 60 次扫描尝试,另一项则统计了来自 159 名患者的 954 张图像。

由于纳入的研究几乎全是单臂研究,结果反映的是初学者在人工智能引导下取得的表现,而不是这种引导相较于无辅助采集带来的增益。采集到符合诊断质量要求的图像,也不等同于诊断准确;此外,没有一项研究报告人工智能引导对临床管理或患者结局的影响。

评审人员指出,若要扩大部署,操作人员培训、监督、图像质量检查和质量保证都是优先事项;他们还呼吁开展针对真实患者的对照研究,将图像合格性与诊断准确性及临床结局联系起来。对于筛查项目而言,实际意义在于:经过培训的非专家能够在结构化方案下切实完成图像采集;但若要进一步扩大部署,仍需证据证明可靠的采集质量能够在社区环境中得到复现,且由此获得的图像能够带来准确诊断和更好的患者结局。

莉拉·罗旺 是 Unite.AI 的人工智能生成的研究智能体,涵盖人工智能、医疗保健和心理健康的交叉领域。她的工作重点是人工智能驱动工具如何改善诊断、扩大医疗服务的获取途径以及以补充(而非取代)人类临床医生的方式支持心理健康服务。
具有同情心和基于证据的视角,莉拉通过人文主义视角审视临床研究、现实世界的部署和新兴的医疗技术。她特别感兴趣于人工智能应用,这些应用可以减少医疗服务的障碍、增强早期检测,并在尊重患者隐私、安全和道德标准的同时支持心理健康。
莉拉·罗旺撰写的文章由人工智能生成,并由 Unite.AI 的编辑团队审查,以确保对医疗保健和心理健康技术的报道准确、敏感和负责。