利用机器学习推断先天性心脏病青少年与青年人的神经认知测试评分

对带着心脏病成长意味着什么

现在更多先天性严重心脏缺陷出生的儿童能活到成年。然而，许多家庭发现，心脏手术幸存只是故事的一部分：一些青少年与年轻成年人在注意力、学习或记忆方面遇到困难。本研究提出了一个具有重要影响的实用问题：我们能否将脑部扫描、遗传信息、病史和家庭背景结合起来，来估计先天性心脏病青少年在类似学校的思维与解决问题能力，而无需单纯依赖耗时的心理测验？

从整体出发，而不仅仅关注心脏

研究人员追踪了来自美国多个中心的89名先天性心脏病青少年与青年人，年龄在8到30岁之间。每位参与者都完成了标准的纸笔测验，测量阅读、词汇、解决问题、记忆、处理速度和总体智商等。大约在六个月内——通常只隔几天——他们还接受了详尽的脑部磁共振成像并提供了遗传样本。团队收集了关于他们心脏诊断与手术、身高体重以及家庭社会经济背景（包括父母教育水平和家庭收入）的信息。目标是将每个年轻人视为一个整体，而不是“一个心脏病例”，认识到脑、大脑基因、健康史和环境共同塑造其思维与学习方式。

教电脑估计思维技能

为了理解这复杂的信息组合，科学家们使用了机器学习——可以在大规模数据中发现模式的计算方法。他们输入了来自结构和弥散成像的数千项测量（反映脑的大小、形状和连通性），以及17项非成像因素，如性别、手术次数、罕见基因变异类型和父母教育水平。针对七个广泛认知领域中的15项不同测试成绩，研究人员训练模型以从这些特征推断测试分数。一种高级特征选择方法反复添加和移除候选变量，仅保留在对留出参与者进行测试时真正提高性能的变量组合。团队以推断分数与真实测试分数的吻合程度以及典型误差（以测试分数点数表示）来评判成功与否。

模型能看见与看不见的东西

计算模型能够比随机水平更好地估计大多数测试分数，实际与推断分数之间的相关性从中等到相当强不等。全量表智商、工作记忆（记住数字序列）和处理速度（快速视觉扫描与符号匹配）是最容易推断的。例如，对常用记忆测试“数位广度”的模型估计与实际表现较为接近。相比之下，更具体的技能如理解句子或拼图式的方块设计题则较难预测。当研究者将测试结果汇总时，概括性智力成为最“可推断”的能力，而感知推理——识别形状与空间模式——则最难。

大脑、基因与环境各自的作用

通过检查模型依赖的特征，研究描绘出影响该人群认知的细致画面。来自MRI的大脑测量出现在所有七个认知领域中。额叶和颞叶的特定区域及连接它们的白质通路尤为重要——这些区域长期与语言、记忆和解决问题相关。但非脑因素也很重要。父亲的教育水平有助于推断总体智商和视觉-空间技能，暗示家庭环境与学习机会的影响。心脏病本身的特征，如诊断类型和手术次数，会影响语言能力。某些罕见基因变异，尤其是破坏神经发育相关基因的变异，往往与较弱的阅读、数学或词汇能力相关。呈现的并非单一原因，而是一个重叠影响的图景：脑结构、病史、基因和社会经济背景各自以不同方式推动认知结果。

这对护理与随访的潜在意义

对家庭和临床医生来说，这一发现既让人放心也具有前瞻性。在这个相对较小但经过精细研究的样本中，许多先天性心脏病的年轻人的认知技能处于平均范围内。然而研究表明，来自现代护理中已收集信息（特别是详尽脑部扫描）的细微认知差异可以被有意义地估计。如果在更大、更具多样性的群体中得到验证，类似模型有朝一日可能帮助医生在问题完全显现之前识别出在学校或记忆方面风险较高的儿童。进而可指导更早的教育支持、认知训练或基于家庭的干预——让脑健康在随访中与心脏健康同等重要。

引用: Hussain, M.A., He, S., Adams, H.R. et al. Machine learning to infer neurocognitive testing scores among adolescents and young adults with congenital heart disease. Commun Med 6, 144 (2026). https://doi.org/10.1038/s43856-026-01417-9

关键词: 先天性心脏病, 青少年认知, 脑部磁共振成像, 机器学习, 神经发育