当下，机器学习正逐渐渗透到疾病的诊断、治疗和预后评估的各个环节，为传统医疗模式注入了新活力。急性心肌梗死（AMI）合并心源性休克作为心血管疾病中极为凶险的急重症，具有病情进展迅猛、死亡率极高的特点。尽管已有研究显示早期再灌注治疗等措施对AMI合并心源性休克患者有生存益处，但目前针对这类患者院内死亡风险的预测工具仍不完善。具体而言，现有风险评分系统存在计算复杂、预测因素不全面等问题，难以满足临床快速评估的需求。因此，如何实现对AMI合并心源性休克患者预后的精准预测，已然成为医学界亟待攻克的重大难题。

近期，第74届美国心脏病学会年度科学会议(ACC.25)在美国芝加哥召开。会议期间，梅斯医学对来自重庆医科大学附属第一医院黄毕进行专访，围绕应用机器学习预测AMI合并心源性休克患者的预后话题进行深入探讨。

梅斯医学：在当前临床实践中，医生通常如何评估急性心肌梗死（AMI）合并心源性休克患者的预后？

黄毕：评估AMI合并心源性休克患者的预后是一个复杂的多维度问题，涉及多个关键因素的综合考量。首先，病因与病变的严重程度至关重要。心肌梗死是心源性休克的主要原因，占比约80%，其中多支病变或左主干病变通常预示着较差的预后，而单支血管病变在及时治疗后可能有较好的预后。其次，心源性休克的严重程度通过外周灌注、收缩压、心率及肺淤血等情况进行判断。辅助检查方面，心脏彩超用于评估射血分数、左室大小和肺动脉高压情况，同时检查是否存在心肌梗死后机械并发症，如室间隔穿孔、乳头肌断裂等，这些并发症会显著影响预后。生物标志物如肌钙蛋白、NT-proBNP等指标可反映心肌梗死面积及心衰严重程度，其持续高水平或突然升高通常提示预后不良。此外，评分系统如SHOCK II评分虽被广泛应用，但存在局限性，临床上仍需更精确的评估方法来综合判断患者的预后。新的评分系统或综合评估方法（如结合机器学习和大数据分析）正在研究中，以提高预后评估的准确性。

梅斯医学：机器学习技术的引入将如何改变或增强现有的评估方法？

黄毕：机器学习相较于传统预测模型展现出显著的独特优势，尤其是在精准评估、治疗决策和危险分层这三个关键领域，其潜力巨大，有望引发医疗领域的革命性变革。传统预测模型往往受限于数据处理能力和模型复杂度，难以充分挖掘和利用海量医疗数据中的深层次信息。而机器学习凭借其先进的算法，能够高效地处理复杂且多维度的数据，不仅能够更精准地预测疾病的发生和发展，还能根据患者的个体特征提供高度个性化的治疗建议。随着技术的不断进步和临床应用的逐步推广，机器学习有望在心血管疾病的管理中发挥越来越重要的作用，为患者带来更好的治疗效果和生活质量。

梅斯医学：在本次ACC大会上，您带来了应用机器学习预测AMI合并心源性休克患者的预后，请您简单介绍下这项研究成果。

黄毕：在应用机器学习预测AMI合并心源性休克患者的预后的研究中，我们通过借助中心自有的数据，借助先进的机器学习算法精心构建了八个预测模型，专门用于精准评估急性心肌梗死（AMI）合并心源性休克患者的30天全因死亡风险。研究结果显示，所有模型的曲线下面积（AUC）均突破了0.9，这一指标充分彰显了机器学习算法在预测此类患者短期死亡风险时所具备的卓越效能，其预测精准度远超传统方法。此外，在深入挖掘数据过程中，我们意外发现了一些以往传统危险分层体系未曾充分重视的关键指标。例如，体温、血尿素氮以及白细胞计数等指标，它们与患者的灌注状态和炎症反应密切相关，在预测患者预后方面发挥着不容忽视的重要作用。

梅斯医学：未来在应用机器学习预测AMI合并心源性休克患者预后方面，还有哪些研究方向值得进一步探索？

黄毕：未来的研究方向将聚焦于多个关键领域，以进一步提升对心源性休克患者的预测和管理能力。首先，大数据整合至关重要，需要将来自不同地区和人群的数据进行有效整合，以应对临床实践中存在的高度异质性问题，从而构建更具普遍适用性的预测模型。其次，优化参数与特征选择也是研究的重点之一。鉴于心源性休克涉及多脏器、多系统的复杂损害，必须精心挑选和优化临床特征，以构建出既简洁又高效的机器学习模型，确保模型在复杂临床场景中的稳定性和可靠性。最后，提高机器学习算法的敏感性和特异性是实现其临床广泛应用的关键目标。通过开发更加精准的算法，我们期望能够更准确地识别高风险患者，减少误诊和漏诊，从而更好地将机器学习技术应用于临床实践，为心源性休克患者的早期干预和精准治疗提供有力支持。

Tags： ACC 2025 | 专访重庆医科大学附属第一医院黄毕：机器学习如何革新AMI合并心源性休克患者的预后评估