美国约翰斯・霍普金斯大学开发的多模态人工智能模型MAARS（多模态AI室性心律失常风险分层系统）在识别突发性心脏骤停高风险人群方面取得了显著成果。这项研究已经发表在《自然-心血管研究》杂志上，显示MAARS模型在预测心血管风险方面的准确度明显优于现行的临床指南。
MAARS模型结合了心脏MRI图像和广泛的健康记录数据，能够发现以往难以察觉的预警信号，显著提高了心血管风险预测的准确度。研究主要关注肥厚型心肌病，这是一种常见的遗传性心脏疾病，也是年轻人突发心脏骤停的主要诱因之一。
与美国和欧洲现行临床指南约50%的准确率相比，MAARS模型的整体准确率达到了89%，对于40至60岁这一最高风险人群的准确率更是提升至93%。该模型通过分析对比增强型MRI扫描中的心脏瘢痕图样，识别出突发性心脏骤停的关键征兆，这些图像信息过去较难为医生准确解读，现在借助深度学习技术转化为可操作的风险指标。
约翰斯・霍普金斯大学的研究人员表示，MAARS模型比现有算法更能准确识别高危患者，有潜力从根本上改变临床决策方式。此外，研究团队还计划扩大模型的测试范围，并将该算法推广至其他类型的心脏疾病风险评估，包括心脏结节病和致心律失常性右心室心肌病。这一进展有望为心血管疾病的预防和治疗带来革命性的变化。
