AI 強化聽診器將心臟病檢測準確率提升一倍
發表在《數位健康》（Digital Health）期刊上的一項新研究顯示，由 Eko Health 開發的 AI 強化聽診器在檢測心臟瓣膜疾病方面的表現顯著優於傳統的手動檢查。研究表明，該 AI 驅動裝置在識別中度至重度瓣膜性心臟病（Valvular heart disease, VHD）方面的敏感度達到 92.3%，幾乎是基層醫療醫師使用標準聽診器檢查 46.2% 準確率的兩倍。
這一突破解決了心臟診斷中的關鍵缺口，特別是對於患瓣膜疾病風險較高的老年人。透過將人工智慧（Artificial Intelligence）整合到例行工具中，醫療保健提供者可能很快就能更早發現危險的心臟狀況，進而預防如心臟衰竭等嚴重併發症。
研究內容：AI 與傳統方法
這項研究由美國各機構的研究人員共同進行，旨在評估應用於數位心臟聲錄音的 AI 演算法之功效。該試驗涉及 357 名 50 歲及以上的患者，這些患者皆具有記錄在案的心臟病風險因子。這些風險因子包括高血壓、糖尿病、身體質量指數（BMI）超過 30，或有心臟病史。
為了基準測試這項技術，研究人員採用了三步驟驗證流程：
- 標準檢查： 患者首先接受來自其 基層醫療 提供者使用標準聲學聽診器進行的傳統心臟理學檢查。
- AI 強化檢查： 隨後使用 Eko Health 的數位智慧聽診器對患者進行檢查，該聽診器記錄心臟聲音供 AI 系統分析。
- 驗證： 所有患者都接受了 心臟超音波檢查（影像測試的「金標準」），以明確確認是否存在心臟病。
結果突顯了診斷能力的鮮明對比。雖然使用傳統方法的基層醫療提供者識別出的重大病例不到一半，但 AI 系統正確標記了超過 90% 的病例。
效能數據比較
下表概述了臨床試驗中觀察到的關鍵效能指標，說明了 AI 強化方法相對於標準臨床實踐的顯著優勢。
| 指標 | 標準基層醫療檢查 | AI 強化聽診器 |
|---|---|---|
| 敏感度 | 46.2% | 92.3% |
| 檢測方法 | 手動聽覺解釋 | 數位錄音結合 AI 分析 |
| 目標病症 | 可聽見的瓣膜性心臟病 | 可聽見的 瓣膜性心臟病 |
| 主要益處 | 既定的例行程序 | 高敏感度與早期發現 |
| 患者參與度 | 被動觀察 | 心音的主動視覺化 |
對基層醫療與早期診斷的影響
瓣膜性心臟病涉及一個或多個心臟瓣膜受損，導致血流效率降低並迫使心臟更加努力工作。雖然這在老年族群中很常見，但通常要到症狀晚期才會被診斷出來。
「不幸的是，瓣膜性心臟病在老年人中非常普遍，但在症狀惡化之前往往難以察覺，」來自 Eko Health 的研究資深作者 Rosalie McDonough 表示。「這意味著患者可能會出現併發症和健康狀況惡化，而這些本可以透過早期診斷來預防。」
檢測率的差異表明，在臨床環境的噪音中，即使是受過訓練的專業人員，人耳也很容易忽略瓣膜疾病細微的聲學特徵。然而， AI 演算法經過訓練，可以隔離並識別與病理相關的特定聲音模式，例如表示逆流或狹窄的雜音。
McDonough 強調了研究結果的現實應用性：「我們已經證明，在現實世界的臨床環境中，具備 AI 功能的聽診器比傳統聽診器更能發現哪些患者患有中度至重度瓣膜疾病。」
患者參與度與信任感
除了診斷準確性外，研究還揭示了一個意想不到的次要益處：患者參與度提高。Eko Health 聽診器的數位特性讓患者在檢查過程中可以視覺化並聆聽自己的心音。
研究人員注意到，當患者能夠感知臨床醫生正在分析的內容時，他們似乎更投入於護理中。McDonough 指出：「我們認為這是因為他們可以看到並聽到臨床醫生的反應，這可能會增加對後續治療的信任和參與度。」這種透明度對於說服患者接受必要但通常昂貴或不便的後續測試（如心臟超音波）可能至關重要。
局限性與未來展望
雖然結果令人鼓舞，但該技術並非所有心臟病症的萬靈丹。研究人員承認了具體的局限性：
- 僅限可聽見的疾病： AI 依賴聲音；因此，它無法檢測到不會產生雜音或聽覺異常的「無聲」瓣膜疾病。
- 偽陽性： 研究指出，與標準檢查相比，AI 裝置的偽陽性略有增加。然而，研究人員認為，鑑於檢測敏感度的實質提升，這是一個可以接受的折衷方案。
團隊總結道，雖然 AI 強化聽診器是一款強大的篩選工具，但它並不能取代全面診斷影像的需求。相反，它作為一個高效的過濾器，確保需要進一步測試的患者在照護連續體中被更早地識別出來。
未來研究旨在更廣泛的族群和更多樣化的臨床環境中測試該技術，以確保其可靠性和可擴展性。隨著人工智慧繼續滲透到醫療保健領域，像 Eko Health 聽診器這樣的工具代表了向「增強智慧」（Augmented intelligence）的轉變，即技術支持而非取代臨床醫生，最終實現更好的患者預後。
