Cardiac Magnetic Resonance Imaging in Asia: 2025 Status Update.

追蹤超過 154,458 筆臨床磁振造影資料後，我們發現整體全死因死亡率高達 8%（9,962 人）。只要病患具備梗塞型晚期釓強化或左心室射出分率小於 35%，其長期生存曲線就會呈現驚人的斷層下墜。

突破隨機試驗框架與 15 萬筆數據的雲端機制

從研究動機來看，過去我們對心血管磁振造影的運用趨勢多半來自六十五歲以上的特定族群，或是單一醫學中心的隨機對照試驗。隨機對照試驗雖然能嚴格控制變因，但往往受限於特定條件與較短的追蹤時間，難以呈現長期的預後全貌。為了補足這個視角，學會建立起 SCMR Registry 來收集跨越所有年齡層的 RWE（真實世界證據：補齊臨床試驗涵蓋不到的廣泛日常情境）。這套系統自 2014 年發跡，目前已經累積驚人的量體，涵蓋二十個美國參與機構，並包含高達近三億張的原始影像。

在資料安全與隱私的設計上，系統採用了通過 SOC 2（系統安全性與隱私保護的雲端資料處理稽核標準）與 HIPAA 規範的 CloudCMR 架構。病患的去識別化過程完全自動化，將機構內的原始報告與海量的 DICOM（醫學影像儲存與傳輸的國際標準格式）圖檔上傳。最特別的是，系統設計了一種單向關聯機制。這代表醫院端日後如果更新了病患的死亡紀錄，雲端數據也能同步更新，卻完全不會把病患的真實身分傳送到雲端資料庫，確保了跨國與跨機構合作的適法性。

如果有外部研究者想要調閱這些龐大數據，必須透過網頁入口進行條件篩選，例如限定檢索「左心室射出分率小於 50% 且具備嚴重二尖瓣逆流」的個案。提出申請後，審查委員會會比照美國國家衛生院的嚴格標準來評分。更重要的是，學會規定任何利用這套資料庫訓練出來的 AI 模型與程式碼，日後都必須無償開源，藉此推動整個放射與心臟學界的技術共享。

Table 3 勾勒的病患特徵與 Figure 4 顯影劑變遷

把焦點拉到收案病患的具體輪廓，Table 3 清楚列出了這十五萬筆檢查的基準資料。受試者的平均年齡落在 58 歲，年齡跨度極大，從一個月大的嬰兒到超過九十歲的長者皆有涵蓋。在有填寫人口學資料的群體中，有 44% 為女性、72% 為白人，而整體群體的全死因死亡率來到 8%。我們可以看到最常見的檢查適應症是心肌病變（佔 27%，35,369 例），其次是胸痛（14%）與心律不整（11%）。

若細看醫療處置申報的部分，高達 35% 的檢查使用了 75561 CPT（美國醫療處置申報系統中的特定處置代碼，此處指含與不含對比劑的形態與功能檢查），其次是 75565 血流速率對映代碼佔了 32%，以及胸部磁振血管攝影佔了 22%。這反映了絕大多數的排程都需要綜合評估心臟結構、功能與血流動力學。

關於對比劑使用的變遷，Figure 4 提供了一個非常鮮明的歷史轉折。在 2015 年之後，Macrocyclic GBCA（結構較穩定的環狀含釓對比劑）的使用率出現壓倒性的成長。數據顯示，2015 年後的顯影劑使用有高達 89%（83,089/93,884）屬於巨環類，而傳統線性顯影劑僅剩下 2%。這充分反映了第一線放射科與心臟科醫師對於釓滯留腦部疑慮的快速應對與實務轉向。

Table 5 的量化心室指標與高達 13% 嚴重灌注缺損

進入到我們每天都在打交道的影像序列與實質發現，Table 4 針對 2016 年系統升級後可自動標記序列名稱的 77,871 筆檢查進行分析。幾乎所有排程都包含了基礎的 Short-axis cine（短軸動態造影：用來精確計算心室容積與射出分率的基礎序列），比例高達 99%。而在進階組織特徵評估上，有 66% 的掃描執行了短軸 LGE（晚期釓強化：利用對比劑洗脫延遲來觀察心肌結疤與纖維化），並且有 30% 的個案接受了壓力灌注掃描。

從 Table 5 匯總的量化指標來看，整個資料庫的平均左心室舒張末期容積為 148 mL，心室肌重量為 129 gm，平均左心室射出分率（LVEF）為 59%。在局部心室壁運動的評估中，有 66% 呈現正常，但有 10% 呈現完全無動態（akinetic），3% 呈現反向運動（dyskinetic）。在左心室肥大的分類上，有 78% 為正常，而重度肥厚佔了 4%。

在兩萬四千多筆帶有壓力灌注報告的檢查中，有 70% 呈現正常，但值得高度注意的是，有 13%（3,231 例）記錄到嚴重的局部壓力誘發灌注異常。至於 LGE 的表現樣態，在有回報此項目的八萬多筆資料裡，62% 為完全陰性，而呈現非缺血型 LGE 與缺血型 LGE 的比例相當接近，分別佔了 18%（15,602 例）與 17%（14,532 例），另有 3% 屬於混合型樣態。

Figure 6 曲線證明收縮衰退與心肌結疤的致死風險

這份大型資料庫最無可取代的價值，在於將影像發現與長期的全死因死亡率直接掛鉤。從 Figure 5 的掃描年份分佈可知，大約有 29% 的檢查是在五到十年前完成，更有 16% 已經超過十年。整體追蹤時間的中位數落在 3.6 年，總計提供了超過四十五萬個病患年的死亡率追蹤大數據。Figure 6 畫出了四張極具臨床警示意味的 Kaplan-Meier 生存曲線，將特定的影像標記作為分水嶺，清晰展現了預後分歧。

在左心室收縮功能方面，當 LVEF 低於 35% 時，死亡率呈現極具統計意義的瘋狂攀升（卡方值 452，Log-Rank test p < 0.0001，此為用來比較不同群體之間生存曲線差異的統計檢定）。局部心室壁運動異常的存在與嚴重程度，同樣精準對應了更高的死亡風險（卡方值 1307，p < 0.0001）。

更關鍵的是心肌缺血與壞死指標的表現：相較於無異常者，具備壓力誘發灌注缺損（卡方值 339，p < 0.0001），以及影像上明確出現梗塞型 LGE 樣態的病患（卡方值 626，p < 0.0001），其後續的長期死亡率都顯著高出許多。這些動輒十五萬人的真實世界數據，直接印證了我們在例行報告中打出的這些關鍵量化數值，確實是決定病患生死的重大分水嶺。

結構化資料遺漏的限制與影像 AI 訓練的未來潛力

儘管數據規模令人咋舌，作者在討論區也坦率指出了這類真實世界登錄系統的先天限制。首先是資料完整性的落差，由於這套系統高度依賴參與醫院在結構化報告中確實填寫特定欄位，如果當初報告純粹依賴自由口述打字，許多量化欄位就會呈現空白。其次，目前的資料庫僅限於心血管造影本身的參數，極度缺乏 EHR（電子健康紀錄：統整病患所有檢驗數據與共病史的醫院資訊系統）中的非心臟病史或抽血數值。要將兩者無縫串聯，目前仍需要繁瑣的手動操作與個別機構的倫理委員會核准。

另外，雖然目前已經涵蓋了二十個美國醫學中心與一家符合 GDPR（歐盟針對民眾個人隱私資料制定的嚴格保護規範）的歐洲機構，但要推廣到全球其他資源相對匱乏的地區，在資訊硬體建置上仍是一大挑戰。為了確保數據即時性，醫院端的資訊系統也必須維持穩定運作，才能將最新的死亡通報持續回傳給單向加密模組。

對我們第一線放射科醫師來說，這份文獻最大的啟示在於它預示了未來影像醫學的工作型態。近三億張去識別化影像與對應的專家結構化報告，正是發展 Machine learning（讓電腦從大量影像特徵中自行找出分類規律的技術）的絕佳溫床。目前學界已經開始利用這套資源開發法洛氏四重症的右心室幾何圖譜，以及心臟澱粉樣變性的神經網絡預測模型。未來我們在工作站上給出的每一次精確切割與每一個 LGE 判讀，都將成為訓練下一代自動化輔助工具的燃料，同時也為我們自己機構的報告品質保證提供強而有力的對標基準。

你下次在報告裡敲下「LVEF <35%」或「Infarct-pattern LGE」時，是否意識到這正宣告著患者跌入那 8% 高死亡率的陡峭生存軌跡中？