心脏病发作并不意味着疾病就此结束。
对于很多患者来说，真正漫长的健康挑战，可能发生在心脏病发作之后的几年里。有人经过治疗和康复后逐渐恢复正常生活，有人却接连出现高血压、糖尿病、血脂异常等慢性疾病，还有一些人的身体状况会沿着更加复杂的方向发展，甚至出现心律失常、肾脏问题以及呼吸系统疾病。
那么，患者在经历心脏病发作之后，未来几年究竟会走向哪一种健康状态？
来自英国萨里大学的一项最新研究给出了一个值得关注的答案。研究人员借助人工智能和机器学习技术，对大量心脏病发作患者的健康记录进行分析后发现，这些患者在事件发生后的5年里，并不是随机地出现各种疾病，而是可以观察到三种相对清晰、截然不同的健康发展轨迹。
更重要的是，研究团队发现，患者未来可能进入哪一种轨迹，在心脏病发作发生时，就已经能够从一些已有信息中看出端倪。
如果这一方法未来能够进入临床实践，医生或许不必等到患者出现一系列新的健康问题之后才采取行动，而是可以根据患者早期表现，提前判断其未来可能面临的主要风险，并尽早调整治疗和康复方案。
这项研究发表在《美国医学信息学会杂志》上。研究人员分析了英国生物样本库中12701名曾经经历过心脏病发作的参与者健康数据，并对他们之后出现的新诊断进行了长期追踪。
研究的重点并不是简单统计“心脏病发作后有多少人患上某种疾病”，而是进一步观察这些疾病出现的先后顺序，以及它们在时间上的变化。
这是一个非常重要的区别。
因为一个人在心脏病发作后患上高血压，与几年后又出现糖尿病、血脂异常以及呼吸系统问题，其背后的疾病发展模式可能完全不同。如果只看某一个时间点上的诊断，很容易忽略患者健康状况正在如何一步步变化。
因此，研究团队利用数据驱动的机器学习方法，把健康发展模式相似的人聚集到一起，希望从复杂的医疗记录中找出隐藏的规律。
最终，研究人员识别出了三条比较明显的健康轨迹。
其中人数最多的一组，占全部研究对象的63%。
这一群患者在心脏病发作之后，主要表现为心血管代谢方面的问题不断增加，包括高血压、2型糖尿病以及血脂异常等，同时还可能间歇性出现心脏和呼吸系统方面的并发症。
从疾病发展角度来看，这是一条以心血管代谢问题为核心的健康轨迹。
这些疾病彼此之间并不是完全独立的。
高血压、血糖异常和血脂异常本身就会增加心血管系统的负担，而心脏病发作之后，患者身体已经经历了一次严重的心血管事件。如果这些危险因素没有得到及时控制，就可能进一步增加未来发生其他心血管问题的风险。
第二条轨迹与吸烟以及身体多系统功能下降存在明显联系。
大约23%的患者被归入这一组。研究显示，这些人的健康变化不仅涉及呼吸系统，还可能伴随肌肉骨骼系统以及其他器官功能逐渐下降。
这一组患者最值得关注的一点，是死亡风险明显更高。
研究数据显示，这一吸烟相关组的死亡率达到44%，超过人数最多的心血管代谢疾病组的三倍。
这个差异说明，心脏病发作后的长期健康风险，并不能仅仅通过“心脏有没有再次出问题”来判断。
有些患者真正面临的危险，可能来自更加广泛的身体功能衰退。
吸烟本身就会对心血管系统造成长期影响，同时也与慢性呼吸系统疾病以及多种其他健康问题有关。当这些因素与心脏病发作叠加在一起之后，患者未来的身体状况可能变得更加复杂。
第三条轨迹涉及大约14%的患者。
这一群人的健康变化主要集中在结构性心脏病、心律失常以及肾脏疾病等方面。
与第一组相比，他们并不是主要表现为典型的心血管代谢问题，而是更容易沿着心脏结构和节律异常，以及肾脏功能问题的方向发展。
这三种轨迹的发现，让研究人员看到了一个过去容易被忽视的问题。
心脏病发作并不是一个完全相同的“起点”。
即使两名患者都经历过心脏病发作，他们接下来五年的健康经历也可能完全不同。
一个人可能主要面对血压、血糖和胆固醇问题；另一个人可能出现呼吸系统和身体功能的持续下降；还有一个人可能主要受到心律失常、结构性心脏疾病和肾脏问题的影响。
如果医生只使用一个简单的风险分数来判断患者未来是否会发生不良结局，就很难完整呈现这种差异。
这正是人工智能可能发挥作用的地方。
萨里大学研究团队发现，在心脏病发作发生的时候，通过患者当时已经存在的诊断信息以及人口统计学特征，就能够在一定程度上预测其未来可能进入哪一种健康轨迹。
研究主要作者、萨里大学研究员安东尼·奥诺贾博士表示，研究人员发现，即使是在心脏病发作发生的那个时间点，也能够利用患者已有的健康和人口统计信息，对其之后可能出现的疾病发展方向进行预测。
而人工智能工具在识别风险最高的人群方面表现出了较好的能力。
其中，呼吸系统疾病、年龄以及较高的贫困程度评分，是预测不同健康轨迹的重要因素。
这些因素的出现也提醒人们，心脏病发作后的健康状况并不是单纯由心脏本身决定的。
一个人的年龄、既往疾病、生活环境以及社会经济状况，都可能影响后续的康复过程。
尤其值得注意的是贫困程度这一因素。
现代医学越来越清楚地认识到，健康并不只由医院里的治疗决定。一个人是否能够获得持续的医疗服务，是否能够长期坚持服药，生活环境是否有利于康复，以及是否能够及时获得营养、运动和心理方面的支持，都可能影响疾病的长期发展。
因此，当人工智能模型把社会经济因素也纳入风险预测之后，它实际上是在提醒医生：患者的健康轨迹可能不仅仅写在病历里，也与患者所处的生活环境有关。
不过，研究人员也强调，这项研究目前仍然处于早期阶段。
人工智能能够发现数据中的规律，并不意味着它已经能够替代医生做出最终判断。
真正进入临床之后，医生还需要考虑大量模型无法完全捕捉的信息，包括患者的治疗依从性、生活方式变化、具体药物使用情况以及个人康复目标等。
因此，这项技术更现实的作用，是成为医生手中的一种辅助工具。
它可以帮助医生更早地发现那些可能走向高风险健康轨迹的人，然后根据不同患者的特点，采取更加有针对性的干预措施。
例如，对于未来可能出现严重心血管代谢问题的患者，医生可以更加重视血压、血糖和血脂的长期管理；对于吸烟相关风险较高的人，则可能需要更加积极地开展戒烟干预，并密切关注肺部和身体功能变化；而对于可能出现心律失常或肾脏问题的患者，则可以加强相关检查和监测。
这与传统的“一套方案适用于所有心脏病发作患者”的模式相比，显然更加个性化。
研究团队并没有停留在疾病记录本身。
他们还进一步研究了这些不同健康轨迹背后的生物学基础，希望确认机器学习发现的三种模式是否真的对应着不同的身体机制。
结果显示，答案似乎是肯定的。
研究人员通过基因分析发现，不同患者群体确实呈现出了不同的分子通路。
人数最多的心血管代谢疾病组，与免疫系统激活以及组织重塑相关的生物学过程存在联系。
而以结构性心脏疾病和心律失常为主要特征的患者群体，则更多涉及胰岛素信号以及脂质运输相关的分子机制。
至于吸烟相关组，研究人员发现其生物学特征与慢性炎症和退行性变化存在关联。
这一发现非常重要。
因为它意味着人工智能并不是单纯地从一大堆医疗数据中“找出三个数字”。
它所发现的不同疾病轨迹，可能确实反映了患者身体内部存在的不同生物学过程。
换句话说，机器学习看到的是疾病在人体中的“表现形式”，而基因分析则进一步帮助研究人员寻找这些表现背后的“原因”。
如果未来能够进一步验证这些机制，那么医生就有可能从“预测患者会发生什么”，逐渐走向“理解患者为什么会发生这些变化”。
这也是精准医疗希望实现的目标之一。
萨里大学高级作者诺法尔·盖夫曼教授指出，临床医生目前已经会使用一些成熟的风险评估工具，例如SMART评分，来判断患者未来再次发生心血管事件的可能性。
这些传统风险工具仍然非常重要。
事实上，在这项研究中，现有的风险评分仍然是预测死亡风险最有力的单一指标之一。
这意味着人工智能发现的疾病轨迹，并不是要取代现有的风险评估体系。
它真正能够提供的，是另一层信息。
一个风险评分可能告诉医生：“这个患者风险较高。”
但新的疾病轨迹分析可能进一步告诉医生：“这个患者为什么风险较高，以及未来更可能沿着哪一个方向发展。”
两者之间存在明显区别。
对于临床医生来说，知道患者风险高当然很重要，但仅仅知道这一点还不够。
真正影响治疗决策的问题往往是：风险来自哪里？接下来最需要关注什么？应该优先干预哪个系统？需要进行怎样的长期监测？
如果人工智能能够帮助回答这些问题，那么它的临床价值可能远远超过简单地给患者划分一个“高风险”或者“低风险”标签。
这也是这项研究最值得关注的地方。
心脏病发作之后，患者真正需要的可能并不是一个统一的康复时间表，而是一份根据个人情况不断调整的健康计划。
有人最需要控制血压和血糖，有人首先需要戒烟和改善肺部健康，还有人可能需要长期监测心律和肾脏功能。
如果能够在疾病早期就发现这些差异，那么医疗干预就有机会从“出现问题之后再处理”，提前变成“在问题进一步发展之前进行干预”。
这对于降低未来疾病负担可能非常重要。
当然，研究结果也不能被理解为人工智能已经可以准确预测每一名心脏病患者未来五年的命运。
现实中的人体远比任何算法都复杂。
患者可能改变生活方式，可能戒烟，也可能开始坚持运动和服药；新的治疗方法也可能改变疾病进程；不同医疗系统之间的治疗条件同样存在差异。
因此，所谓“健康轨迹”更应该被理解为一种风险模式，而不是已经注定的未来。
一个患者属于高风险群体，并不意味着他的结局无法改变。
恰恰相反，提前识别风险的意义就在于给干预留下时间。
如果医生能够在患者刚刚经历心脏病发作的时候，就发现其未来可能面临某种严重健康轨迹，那么接下来几年就可以针对这一风险提前布局。
从某种意义上说，人工智能真正改变的并不是医生“看病”的方式，而是医生“看时间”的方式。
过去，医生更多关注患者现在有什么问题。
而这项研究试图让医疗系统进一步关注：这个患者接下来可能发生什么？
这也是现代医学从治疗疾病走向预测和预防的重要一步。
对于心脏病发作幸存者而言，成功度过急性期只是康复的开始。
未来几年里，他们仍然需要面对各种潜在风险。
有些风险来自心脏本身，有些来自代谢系统，有些来自肺部和其他器官，还有一些则与年龄、吸烟以及生活环境密切相关。
如果这些不同的风险能够被提前识别，那么患者就有机会获得更加符合自身情况的长期护理。
这项研究也说明，医疗数据的价值可能远不止于记录一个人过去得过什么病。
当大量患者的健康记录被放在一起进行分析时，其中可能隐藏着人类医生很难凭个人经验发现的复杂规律。
人工智能擅长处理的，恰恰是这种规模巨大、变量众多、时间跨度很长的数据。
但最终真正有价值的，并不是算法本身，而是算法发现的信息能否转化成实际的医疗行动。
如果未来医院能够把类似的预测工具融入心脏病患者的康复管理体系，那么患者在出院之后可能不再只是按照一套固定流程接受随访。
医疗团队可以根据人工智能识别出的风险轨迹，为不同患者安排不同的检查、生活方式干预和治疗计划。
对于高风险患者，可以更早介入；对于风险较低的人，则可以避免不必要的过度医疗。
这种更加精准的资源配置，对于医疗系统本身也具有意义。
目前，心血管疾病仍然是全球范围内的重要健康负担，而心脏病发作后的长期管理需要大量医疗资源。
如果能够更加准确地识别哪些患者最需要密切随访和重点干预，就有可能把有限的医疗资源用在最需要的地方。
不过，在这项技术真正广泛应用之前，还需要更多研究进行验证。
研究人员需要在不同人群、不同国家以及不同医疗环境中检验这些健康轨迹是否依然成立，也需要进一步确认人工智能预测结果能否真正改善患者的治疗效果。
只有当预测模型不仅“预测得准”，而且能够帮助患者活得更久、更健康，它才真正具备改变临床实践的价值。
目前，这项研究至少提供了一个非常值得关注的方向。
心脏病发作并不是所有患者共同走向同一个终点的起点。
相反，每个人之后的健康道路可能完全不同。
有人主要面对高血压、糖尿病和血脂异常，有人可能逐渐出现呼吸系统和全身功能下降，还有人可能沿着心律失常、结构性心脏疾病以及肾脏问题的方向发展。
而这些差异，可能在心脏病发作发生的那一刻，就已经隐藏在患者的健康数据中。
人工智能正在尝试做的，就是把这些隐藏的信息找出来。
未来，如果这种方法能够进一步得到验证并进入临床，医生或许可以在患者经历心脏病发作后的最初阶段，就提前看到几条可能出现的健康道路，并根据不同风险及时调整治疗和康复方案。
这意味着，心脏病发作后的护理可能从过去相对统一的模式，逐渐走向真正意义上的个体化管理。
而对于患者来说，这种变化最重要的意义或许并不是知道自己属于哪一种“轨迹”，而是能够更早知道风险在哪里，并拥有更多机会改变最终的结果。
毕竟，预测未来的真正意义，从来不是告诉一个人未来无法改变，而是让我们在未来真正到来之前，拥有更多做出改变的时间。
原文：https://www.eurekalert.org/news-releases/1140718
