要理解 MCG 的优势，首先得从 SIHD 的病理特征说起。SIHD 导致心肌缺血时，局部电流会呈现出切线电流的特点。而 MCG 技术对切线电流和涡旋电流有着极高的敏感度，这一特性让它在识别 SIHD 时具备了天然优势，远超传统检测手段。

借助于低温超导心磁图仪，解放军总医院第8医学中心心内科黄骁等研究者曾开展一项研究，选取 99 例单支冠状动脉狭窄且狭窄程度≥70% 的患者，将他们的 10 个 MCG 参数（包括 T 峰磁场角度、T 峰最大电流角度、TT 角度变化值等）与健康对照组进行对比。结果发现，不同病变部位（如左前降支、左回旋支、右冠状动脉主干等）对应的异常 MCG 参数各不相同，这为后续通过 MCG 定位病变血管提供了重要依据。

不过，这项研究也存在一定局限性 —— 未将病变严重程度纳入研究范围。于是，黄骁等研究者进一步扩大样本量，开展了包含 213 例胸痛症状患者的研究。此次分析筛选出 4 个与冠心病独立相关的 MCG 参数：T 峰磁场角度、TT 电流角度最小值、TT 电流角度变化值、TT 角度变化值。当以这 4 个参数中至少 1 个异常作为诊断标准时，诊断冠心病的敏感度高达97.70%，阴性预测值也达到 92.70%，意味着 MCG 能有效排查出潜在的 SIHD 患者，减少漏诊风险。

更值得关注的是，对于心电图显示正常但实际患有冠心病的人群，MCG 同样能发挥作用。Ramesh 等研究者发现，心脏 MCG 中的非偶极子异常及磁场角度变化，可帮助识别这类 “隐匿型” 患者，为早期干预争取时间。

提到心脏检测，大家最熟悉的莫过于心电图和超声心动图。但在 SIHD 诊断中，MCG 的表现更为出色。

Fenici 和 Brisinda 的研究表明，MCG 在诊断稳定性心绞痛时，敏感度显著高于心电图，而特异度、阳性预测值、阴性预测值与心电图相当。这意味着，MCG 能更精准地捕捉到心肌缺血的信号，同时避免过多假阳性结果。

Shin 等研究者开展的前瞻性研究进一步验证了MCG 的优势。该研究纳入 202 例有心肌缺血相关症状、疑诊冠心病的患者，结果显示：对于冠状动脉狭窄程度≥70% 的中、高危冠心病患者，MCG 运动试验的诊断敏感度（68.4%）和准确性（84.7%），均远超运动心电图（敏感度 40.5%、准确性 71.3%）。更意外的是，MCG 联合心电图并未提升诊断价值（P=0.357），这说明单独使用 MCG 就足以满足中、高危 SIHD 患者的诊断需求，为临床检测提供了更高效的选择。

随着大数据和人工智能技术的发展，MCG 的诊断效能更是如虎添翼。机器学习算法的引入，不仅提高了检测准确性，减少了人为误差，还让 MCG 在 SIHD 的早期筛查和自动检测中发挥出更大潜力。

基近年来，越来越多的研究者将机器学习与 MCG 结合，打造出高效、精准的 SIHD 诊断模型。

Huang 等研究者采用多层感知器（MLP）神经网络，从 10 个 MCG 参数中筛选关键指标，建立了 11 种冠心病诊断模型。其中最优模型的准确性达到 90.0%，敏感度和特异度分别为 91.4% 和 87.7%，几乎能精准识别出绝大多数冠心病患者。

Tao 等研究者构建的 SIHD 诊断模型表现更为亮眼，准确率高达 94.03%，不仅能判断是否患病，还能基于 T 波复极同步性降低和磁场类型，自动定位缺血区域，为医生制定治疗方案提供精准参考。

山东大学齐鲁医院的前瞻性研究也取得了重要成果。研究者利用一维 MCG 信号的形状特征和时空特征，成功实现了冠心病的自动识别、狭窄程度评估及狭窄血管定位，让 MCG 从 “定性诊断” 迈向 “定量评估”。

除了诊断，MCG 结合机器学习还能为治疗决策提供支持。Huang 等研究者建立的 logistic 回归模型，可评估心绞痛患者是否需要进行冠状动脉血运重建。当模型值 > 0.55 时，推荐进行冠状动脉造影（CAG）检查，避免了不必要的有创操作，同时确保需要干预的患者得到及时治疗。

尽管 MCG 在 SIHD 诊断中展现出巨大潜力，且结合机器学习后效果显著，但目前仍存在一些问题亟待解决。现有研究大多存在样本量较小、选择偏倚等局限，导致模型的诊断效能尚未经过大规模临床试验的充分验证。

不过，随着医学技术的不断进步和多中心研究的开展，相信未来 MCG 将在 SIHD 的早期筛查、精准诊断和治疗指导中发挥更重要的作用。或许在不久的将来，MCG 会成为常规心脏检查项目，为更多人的心脏健康保驾护航。

如果你的家人或朋友有胸痛、胸闷等不适症状，不妨多关注 MCG 这项新技术，或许它能为心脏健康检测提供更精准的答案。

参考文献：

1.黄骁，华宁，张卫华，等．不同冠状动脉病变部位患者的心磁图参数比较[J]．心脏杂志, 2019,31(3):309-311. 

2.RameshR , Senthilnathan S , Satheesh S ,et al. Magnetocardiography for identification of coronary ischemia in patients with chest pain and normal resting 12-lead electrocardiogram[J]. Ann Noninvasive Electrocardiol, 2020,25(3):e12715.

3.Fenici R , Brisinda D . Predictive value of rest magnetocardiography in patients with stable angina[J]. Int Congr Ser, 2007,1300:737-740.

4.Shin ES , Chung JH , Park SG ,et al. Comparison of exercise electrocardiography and magnetocardiography for detection of co ronary artery disease using ST-segment fluctuation score [J]. Clin Hemorheol Microcirc, 2019,73(2):283-291. 

5.Huang X , Hua N , Tang F ,et al. Effectiveness of magnetocardiography to identify patients in need of coronary artery revascularization: a cross-sectional study[J]. Cardiovasc Diagn Ther, 2020,10(4):831-840. 

6.Han X , Pang J , Xu D ,et al. Magnetocardiography-based coronary artery disease severity assessment and localization using spatiotemporal features[J]. Physiol Meas, 2023,44(12). 

7.Huang X , Chen P , Tang F ,et al. Detection of coronary artery disease in patients with chest pain: A machine learning model based on magnetocardiography parameters[J]. Clin Hemorheol Microcirc, 2021,78(3):227-236. 

8.Shin ES , Chung JH , Park SG ,et al. Comparison of exercise electrocardiography and magnetocardiography for detection of co ronary artery disease using ST-segment fluctuation score [J]. Clin Hemorheol Microcirc, 2019,73(2):283-291.