健心知著
2026.01.21
基于人工智能的超声心动图自动分析与超声技师的工作流程：随机交叉试验（AI-Echo RCT）
刘健、周海燕、孙宇彤
北京大学人民医院
健心荐语
近年来，人工智能（Artificial intelligence,AI）在医疗领域的应用迅速发展，其在超声心动图图像识别与自动分析方面展现出显著潜力。已有研究表明，AI能够自动化完成大多数常规超声心动图参数的分析，在保证高重复性的同时减少分析时间，从而有望简化超声技师的工作流程，使其能更专注于复杂病例管理与结果解读。然而，现有研究多基于回顾性或受控实验环境，AI在真实临床工作流程中的实际效率影响尚不明确。为填补这一空白，本文开展了此项随机交叉试验，以评估AI自动分析工具能否在真实临床环境中优化超声技师的日常工作流程。
文章介绍
本研究首次在真实临床环境中，通过严谨的随机交叉试验设计，证实了人工智能辅助超声心动图分析能够显著提升检查效率、减轻超声技师的心理疲劳并改善图像质量，且不影响诊断完整性，为AI技术在高负荷心血管影像科室中的规模化整合与价值实现提供了关键的现实证据和明确的实践方向。该研究于2026年1月正式发表于《 Journal of the American Heart Association》。
研究方法
本研究采用了一项前瞻性、单中心、随机交叉试验设计，旨在真实临床环境中评估人工智能对超声心动图工作流程的影响。试验于2024年1月至3月期间在顺天堂大学医院开展，共纳入4名经验丰富的认证超声技师。研究通过计算机生成的区组随机化程序，将工作日随机分配为使用AI辅助的“AI日”或传统手动流程的“非AI日”，并聚焦于重复性较高的筛查型检查。
在AI日，技师使用经FDA批准的US2.ai平台进行自动化分析，系统在约2分钟内自动生成参数测量与图像描记结果，技师主要承担验证与审核角色，仅对少数未覆盖或存疑的参数进行手动调整；所有报告最终均由不知分组情况的心脏超声专家审核定稿。在非AI日，技师完全遵循标准手动流程进行操作。
研究设定了多重评估终点，主要终点为工作效率，通过每例患者的平均检查时间与每位技师日均检查数量来衡量；次要终点涵盖技师身心疲劳度、每次检查分析的参数数量、图像质量（由两名盲态专家独立评分）以及AI性能指标（包括分析成功率和AI测量与专家报告的一致性）。样本量计算基于保守估计的20%效率提升，最终每组设定19个研究日。统计分析采用参数与非参数检验比较组间差异，并使用Bland-Altman分析与组内相关系数评估一致性与可靠性，所有分析以P<0.05为显著性标准。该方法通过严谨的设计与多维度评估，为客观验证AI在超声心动图工作流程中的实际效用提供了可靠框架。
研究结果
研究结果表明，AIIB辅助能够全面且显著地提升超声心动图临床工作流程的效率与质量。在真实临床环境中，引入AI后单次检查的平均耗时从非AI日的14.3±4.2分钟缩短至13.0±3.5分钟，效率提升约9.1%，这使得每位超声技师每日完成的检查数量从14.1±2.5例增加至16.7±2.5例，增幅超过18%。与此同时，每次检查所分析的超声心动图参数数量激增3.4倍，从手动流程下的25±1个参数大幅提升至85±12个参数，其中包含左心室应变等传统筛查中较少涉及的高级功能指标，极大地丰富了单次检查的信息量。
值得注意的是，尽管工作量显著增加，超声技师在AI辅助日自评的心理疲劳程度反而显著降低，这表明AI通过自动化处理重复性测量任务，有效缓解了认知负荷。更关键的是，图像质量在AI日得到系统性改善：经两名盲态专家独立评估，被评定为“优秀”的图像比例从非AI日的31%显著提升至41%，这很可能是因为技师从繁重的手动测量中解放后，能将更多注意力集中于优化图像采集技术。
在准确性方面，AI系统表现出色，其对绝大多数标准参数的分析成功率超过95%，且超过90%的自动测量结果在预设临床允许误差范围内与专家最终报告一致，展现出高度的可靠性。仅在左心室内径等少数形态学参数上需要人工介入微调，且修正幅度微小（例如左心室射血分数的平均修正值仅为3.9%）。这些综合证据强有力地表明，AI辅助不仅能显著提升超声心动图检查的产出效率与信息深度，还能同步降低操作者负担、改善图像质量，并维持高标准的诊断可靠性，为实现高质量、高吞吐量的心血管影像服务提供了切实可行的技术路径。
表 1 人工智能日和非人工智能日的扫描特征
图 1 检查效率的主要终点 与非人工智能日相比，人工智能日的平均检查时间缩短了（A）。因此，在人工智能日，每名超声技师完成的超声心动图数量显著增加（B）。
图 2 参数数量和图像质量 与非人工智能日相比，人工智能日的分析参数数量最多增加了 3.4 倍（A）。此外，人工智能日的图像质量明显更高（B）。
表 2 人工智能初始测量值与最终报告值的一致性
图 3 人工智能初始测量值与最终值的一致性散点图（左）显示人工智能生成的数据与最终报告值之间具有很强的相关性。布兰-阿尔特曼图显示了两个测量集之间的平均差（偏差）和最低观测效应，每个参数的偏差都接近于零。总体一致性非常好，ICC 超过 0.8。
结 论
这项随机对照试验表明，将基于人工智能的自动化分析系统整合到临床超声心动图工作流程中，能够显著缩短检查时间并增加每日完成的检查数量，从而全面提升超声心动图实验室的整体运行效率。重要的是，AI分析在提高效率的同时维持了诊断质量，减轻了超声技师的工作疲劳感，并改善了所获图像的品质，这支持了其在优化临床实践流程中的潜在价值。人工智能技术的持续进步有望为超声心动图领域的工作流程效率和诊断准确性带来进一步改善。
讨论
本研究作为首项日常随机化应用AI工具的研究，证实了AI在提升筛查性超声心动图效率方面的显著作用——在测量参数增加3.4倍的情况下仍缩短了检查时间，同时缓解了超声技师的心理疲劳并改善图像质量。研究指出，尽管此前已有诸多回顾性研究验证AI工具的准确性与效率（例如分析时间可减少70%），但其临床推广仍面临障碍，主要原因在于多数研究局限于受控环境，未能充分反映真实工作流程的复杂性。近年来开始出现的前瞻性随机试验（如EchoNet-RCT）为此提供了更切实的证据，而本研究进一步将评估维度从单纯的准确性拓展至对整体临床工作流的实际影响。
具体而言，AI整合不仅通过自动化常规分析提升了效率、增加了每日检查量，还促进了左心室应变等高级参数的常规化评估，且AI测量与专家报告的高度一致性保障了诊断完整性。尤为重要的是，AI通过承担重复性任务减轻了超声技师的认知负荷，这在高负荷实验室环境中对缓解职业倦怠、提升工作满意度具有积极意义，同时节省的时间有望转化为更深入的临床交流或患者教育。图像质量的提升则被归因于技师能将更多注意力集中于采集环节，且AI对高质量图像的依赖性也形成了正向激励。
然而，图像改善主要体现在“良好”到“优秀”的转变，AI对诊断准确性的实际临床价值仍需进一步验证。未来需通过多中心长期研究确认效果的普适性与持续性，并探索AI在不同经验水平技师中的应用价值及其对特定患者群体临床结局的最终影响。