随着全球心血管疾病负担不断增加，人工智能（AI）有望通过检测高危人群等方式帮助预防疾病，为患者提供更及时的诊断和预测，并通过自动化人类专家以前完成的一些任务来降低医疗保健成本。分析人工智能技术，如神经网络和基于树的学习方法，可以处理大量结构化和非结构化的数据形式（及其组合），并且由于心血管医学中存在许多临床数据源，如体检结果，实验室结果、成像、心电图和可穿戴设备、人工智能和机器学习技术似乎非常适合用于心血管健康。

在心血管健康文献中，分析性人工智能技术经常用于开发预测模型。尽管基于人工智能的预测模型具有应用于心血管健康领域的巨大潜力，但到目前为止，只有少数预测模型显示了其在临床护理中的有用性。为了提高基于人工智能的预测模型的临床实施机会，从而对心血管健康产生影响，研究人员必须将其开发和验证保持高科学标准。2023年10月28日发表在EUROPEAN HEART JOURNAL的文章，提出了五个最低质量标准，在开发基于人工智能的新预测模型时应考虑这些标准。最近在本杂志上发表了批判性阅读和评估心血管疾病预测建模研究的广泛概述。

为了提高心血管健康领域临床人工智能（AI）预测建模研究的质量，从而提高其影响和相关性，《欧洲心脏杂志》的数字健康、创新和质量标准的编辑为基于人工智能的预测模型开发和验证研究提出了五个最低质量标准：完整的报告、精心定义的模型预期用途、严格的验证、足够大的样本量以及代码和软件的开放性。

本文摘要图

完整透明的报告是审查员和研究人员能够充分欣赏和批判性评估模型开发方法的有效性并评估模型预测性能的关键。任何基于人工智能的预测模型的开发都应该受到一个明确定义的临床问题的激励，人工智能预测模型可以作为解决方案。模型验证程序确保基于人工智能的预测模型的预测性能估计（通常以校准和歧视来总结）是准确的，并且估计起来不会过度乐观。

对两者来说，足够大的样本大小、基于人工智能的预测模型的稳健开发和准确验证至关重要。基于回归的预测模型计算最小所需样本大小的计算器可能是基于人工智能的预测模型的有用起点。公开提供数据和软件（包括模型代码）是确保读者和用户能够充分批判性地评估预测模型、执行测试（即验证）并根据新设置定制模型的重要一步。

关于基于人工智能的预测模型的建议

本概述简要触及了心血管健康领域临床人工智能预测建模研究的作者、研究人员和读者的五个关键质量标准。本文提供了这个简短观点最重要的建议的摘要。完整的报告、精心定义的模型预期用途、严格的验证、足够大的样本量以及代码和软件的开放性将提高临床人工智能预测研究的质量，从而提高其结果的临床影响和相关性。

原始出处

Florien S van Royen, Folkert W Asselbergs, Fernando Alfonso, Panos Vardas, Maarten van Smeden, Five critical quality criteria for artificial intelligence-based prediction models, European Heart Journal, 2023;, ehad727, https://doi.org/10.1093/eurheartj/ehad727