AHA AI Assessment Lab 评估 Ultromics 心衰诊断 AI：可提前数月识别 HFpEF 风险

AHA 评估称 AI 或可更早发现心衰迹象，提前识别 HFpEF 风险

美国心脏协会（AHA）最新发布的一项评估显示，一款用于超声心动图分析的人工智能工具，可能帮助临床团队更早识别一种经常被漏诊的心衰类型，并在此基础上减少住院与急诊使用、降低医疗成本。

这项评估来自 AHA 新设立的 AI Assessment Lab。其首份报告聚焦 Ultromics 的 EchoGo Heart Failure，这是一款已获 FDA 批准的诊断支持工具，能够分析常规超声心动图视频，识别可能患有射血分数保留型心力衰竭（HFpEF）的患者。

HFpEF 常见但难诊断，部分人群更容易被延迟识别

HFpEF 是心力衰竭中最常见的类型之一，但其症状与其他疾病高度相似，因此在临床上较难确诊。

报道提到，女性和有色人种患者尤其容易在识别和治疗上遭遇延迟，这也让 HFpEF 成为一个兼具诊断难度和公平性挑战的疾病场景。

Ultromics 首席商务官 Roger Owens 表示，诊断准确性是 AI 能进入临床讨论桌的前提，但不应成为衡量成败的唯一标准。

AHA 这次评估不只看准确率，还纳入结局、流程和经济模型

这份报告的一个重要特点，是它试图把医疗 AI 的评估从传统的敏感性、特异性，扩展到患者结局、工作流影响、健康公平和经济价值等更接近落地的问题。

研究团队使用了约 9 万份 来自 Dandelion Health 的真实世界超声心动图数据，并结合临床与经济模型，测算这项技术在五年时间维度上的潜在影响。

模型显示，部分患者可比标准照护提前 263 天被识别

报告显示，对于那些原本可能在常规流程中被漏掉的患者，EchoGo 最多可比标准照护提前 263 天 识别 HFpEF。

若按每 1 万名 受评估患者计算，模型预测更早诊断和治疗在五年内可能带来：

• 减少 477 例死亡
• 减少 406 次住院
• 减少 501 次再入院
• 减少 564 次急诊就诊

这些结果仍属于建模推演，而非前瞻性临床部署后的真实终点数据，但它们为这类工具可能带来的系统级收益提供了一个更具体的衡量框架。

亚组结果显示，年轻和非白人患者可能受益更明显

报告中的亚组结果还提示，年轻患者以及非白人患者，可能更有机会从这项技术中获益。

这意味着，更一致的超声心动图分析方式，理论上有助于缓解部分诊断差异问题。当然，报道也明确指出，这种改善仍需要在不同人群和不同照护环境中持续监测，不能只凭单次评估下结论。

Owens 强调，对于像 HFpEF 这样的疾病，女性和非白人患者长期承受更高比例的延迟诊断和漏诊风险，因此 AI 的价值应当体现在缩小差距，而不是无意中强化既有不平等。

财务模型认为对医疗系统和支付方都可能节省成本

在经济层面，评估预计该工具从医疗系统和支付方两个视角看，都可能实现每位患者大约 1800 美元 的节省。

报告还测算，一个每年进行 7 万例 经胸超声心动图检查的代表性医疗系统，在五年内最多可新增约 190 万美元 收入。

这类估算同样基于模型假设，但反映出医疗 AI 的采购和部署，正在越来越多地被放到“临床收益 + 运营收益”双重框架中审视。

AHA 也提醒：更早识别只有转化成及时行动才有价值

报道特别指出，这项评估结果目前仍然是预测，而不是前瞻性临床试验或真实世界大规模部署后的最终结论。

分析依赖回顾性数据和诊断代理指标，也未完全纳入一些实际成本，例如 AI 持续监测、工作流改造，以及误阳性带来的后续下游成本。

如果医院要真正上线此类系统，还需要建立清晰规则，例如由谁审核 AI 发现、何时安排进一步检查、以及如何将患者转入后续治疗路径。

Owens 也表示，真正的实施效果不应只看软件运行频次，而要看临床采纳率、诊断产出、确诊时间、住院率，以及不同人群中的表现。

这类评估框架可能成为临床 AI 下一阶段的重要参照

从行业角度看，这条新闻的价值不只是 “又一款 AI 在心衰场景表现不错”，而是 AHA 正尝试建立一种更贴近真实医疗场景的评估方法。

未来医疗机构在引入临床 AI 时，可能越来越不会只问“模型准不准”，而会进一步追问：它是否改变了医生行为、是否改善了患者结局、是否带来更公平的照护，以及是否值得为它投入组织成本。