2021人工智能在心臟電生理和起搏中的應用

1、2021 人工智能在心臟電生理和起搏中的應用（全文）醫(yī)學領域的人工智能研究正在迅速發(fā)展在醫(yī)學的各個領域都得到了廣泛的應用，包括腫瘤學、影像學、心血管病學和各種外科手術、康復治療1。中國心血管病報告 2018指2，目前心血管病占城鄉(xiāng)居民總死亡原因的首位居民疾病死亡構成的 40以上腦血管病的住院總費用也在快速增加國心血管疾病負擔日漸加重嚴重影響公共健康，因此運用高效前沿技術手段進行心血管防治工作以期降低醫(yī)療費用、提高診療效果顯得尤為重要。心電圖智能診斷、心血管影像智能分析、心血管疾病篩查等研究已經(jīng)在國內(nèi)外深入開展。本文以心臟電生理和起搏為 切入點，綜述人工智能在心血管疾病診療領域的應用。一、人工智

2、能的概述人工智能和機器學習是一組算法的總術語它們允許計算機從數(shù)據(jù)中發(fā)現(xiàn)模式并做出決策3前現(xiàn)人工智能的技術手段主要是機器學習。機器學習（Machine ，ML）是指從有限的觀測數(shù)據(jù)中學習（或“測出具有一般性的規(guī)律并這些規(guī)律應用到未觀測樣本上的方法。傳統(tǒng)機器學習的數(shù)據(jù)處理過程包括：數(shù)據(jù)預處理、特征提取、特征轉換和預1比如在監(jiān)督學習中研究者將臨床資料即年齡性別血壓血脂、心肌酶譜、心電圖指標及基因序列等作為基礎樣本數(shù)據(jù)，利用機器學習中人工神經(jīng)網(wǎng)絡、決策樹、支持向量機或樸素貝葉斯等算法，構建一個基于這些數(shù)據(jù)的心血管、全因等結局事件的預測模型。最終，我們通過該模型可以評估其他患者結局事件風險，為臨床診療提

3、供指導。這種有監(jiān)督的學習模型的建立必須基于較大的數(shù)據(jù)集，耗時長，需要不斷訓練，才能提高其預測準確性1然而無監(jiān)督的方法并不是為了確定結局事件的預測因素，而是通過多個特征將相似的患者分組，分析相似分組間個體的特征，并將其與結果或治療反應聯(lián)系起來，即試圖從數(shù)據(jù)隱藏的信息中識別新的致病機制、基因型或表1在無監(jiān)督學習中，目標是在沒有人類 反饋的情況下發(fā)現(xiàn)數(shù)據(jù)中隱藏的信息。、工能心失人工智能在心律失常領域中的應用非常廣泛最直接的實踐是用于診斷電信是最能直接反映心臟電活動的無創(chuàng)手段臨床上較易獲取，基于心電信號的智能研究有很 4。國內(nèi)中國人民解放軍總醫(yī)院心內(nèi)科與第三方研究院進行合作，利用智能腕帶或腕表監(jiān)測患者

4、的脈律持續(xù)至少 14 ，自動分析并上傳脈律數(shù)。結果發(fā)現(xiàn)，在 187912 人中，424人接收到“疑房顫”的提醒；在 262 例有效隨訪中 227 例確診為房顫；確診患者中，216 人隨后入了一個使用移動設備的合房顫管理項目，大約 80患者接受抗凝治療。對于診斷房顫，這項技術的陽性預測值是91.6，并且可以為確診房顫的患者提供后續(xù)的綜管理措 10。對于多種心律失常，人工智能算法進行的診斷可能更高效。中國人民解放軍總醫(yī)院心內(nèi)科采用體表 12 導聯(lián)心電圖圖像作為數(shù)據(jù)基礎，以高年資的心電圖醫(yī)生進行數(shù)據(jù)精標注，通過監(jiān)督學習不斷訓練由卷積神經(jīng)網(wǎng)絡建立起來的模型型在心律失常診斷方面的準確率與靈敏度都達到了

5、95以上11。Hannun AY 4開發(fā)了一個源于端到端深度神經(jīng)網(wǎng)絡（DNN）習的方法來區(qū)分診斷 12 種心律，分別是房/房、房室傳導阻滯、二聯(lián)律、房性早搏、心室自主心律、交界性心律、心電噪音、竇性心律、室上性心動過速三聯(lián)律室速和文氏阻滯究者使用了來自 53549 名患者的 91232 個單聯(lián)心電圖，將這個數(shù)據(jù)集分為 12 個心律等級。當使用專業(yè)的心臟病專家一致認可的獨立測試數(shù)據(jù)集進行驗證時，DNN 在 ROC下的平均面積為 0.97，DNN 的平均 F1 分）超過了心臟病專家的平均水平（ ）；當 DNN 的診特異性與心臟病專家的平均診斷特異性一致時，DNN 的感性高于所有心律失常的心臟病專家

6、診斷的平均敏感性，這些發(fā)現(xiàn)表明，端到端的深度學習方法可以從單導聯(lián)心電圖中對多種不同心律進行分類，具有與心臟病專家相似的高診斷性能。與 12 導聯(lián)心電圖相比，單導聯(lián)或雙導聯(lián)動態(tài)心電信號雖然不能提供完整的心電信息，但是由于其監(jiān)測時間長，在心律失常領域上仍具有一定的診斷意4,12, 13些機器學習方法如果在臨床得到證實以快速診斷心律失常，對緊急情況進行準確分類，降低誤診斷率，提高臨床心電判讀效率?；跈C器學習的心電圖數(shù)據(jù)可以有效預測房顫廣泛可用的數(shù)字心電數(shù)據(jù)和深度學習的算法為大幅度提高自動心電分析的準確性提供了機會。Attia Z 等 將 180922 名患者的 649931 竇性心律心電圖分為 個

7、數(shù)據(jù)集：訓練集、驗證集和測試集，利用深度學習算法構建和優(yōu)化房顫預測模型，結果顯示該模型診斷房顫的受試者工作曲線（ROC）下的平均面積 是 0.9，敏感度、精確度分別是 82.3、83.4。機器學習同樣可以用于協(xié)助臨床醫(yī)師發(fā)現(xiàn)新的疾病分類方法肥厚性心肌?。┌醋笫伊鞒龅烙袩o梗阻以分為隱匿梗阻性梗阻性和非梗阻性 HCM；按照心肌肥厚部位，可以分為心尖肥厚性、右心室心肌肥厚性和孤立性乳頭肌肥厚 HCM15 。而，這些分類方法沒有直和心臟電活動相關，對于預測惡性室性心律失常的風險來說，具有一定的局限性 A 等16根據(jù) 85 例 HCM 者和 例健康志愿者的 12 導聯(lián)心電圖進行建模和聚類分組，分析每組內(nèi)

8、 HCM 患的臨床特征，結果發(fā)現(xiàn) QRS 形態(tài)是確定分組的關鍵因素。如果僅僅依據(jù) 形態(tài)，HCM患者可以分為 組 QRS 形態(tài)正常組、V4 導聯(lián)小 r S 型組、和 V4V6 導聯(lián)小 r 寬 S 型。 組間律失常危險因素及心肌肥厚無明顯差異如果以 QRS 形態(tài)和 T 波作為生物標志物，HCM 患者可以被分為 4 組： 形態(tài)正常伴 T 波倒組、QRS 形態(tài)異常伴 T 波立組、V4 導小 r大 型組、和 V4V6 導聯(lián)小 r 寬 S 型組。4 組中第 1 組 HCM 患者的惡性心律失常風險最高，室間隔和心肌肥厚的總體比例最高；第 2、3 室間隔肥厚的比例較高。這些結果說明，伴有原發(fā)性 波倒置的 HC

9、M 者的心臟性猝死的危險評分較高，同時容易合并有室間隔肥厚和心尖肥厚， 為臨床的疾病危險分層和診療提出了一個新的方向。此外，人工智能算法可以協(xié)助選擇最優(yōu)、最安全的藥物治療方法。心室電復極化的顯著延遲表現(xiàn)為體表心電圖 QT 間期延長，這樣的延遲會誘發(fā)潛在的致命性室性心律失常 QT 期延長是藥物研發(fā)中被廣泛認定的心臟安全生物標記 前臨床前藥物安全性分析包括膜片鉗實驗，以評價藥物相關的阻斷心臟復極化離子流的作用。但用膜片鉗方法預測心臟復極延遲的靈敏度和特異性范圍分別為 6482和 75而Bergau DM 團隊使用支持向量機方法發(fā)對于 77 個藥物亞分類基因預測心室負極延遲的平均敏感度和特異度分別為

10、 85和 90，這些基因主要涉及脂肪酸代謝 G 蛋白、細胞內(nèi)谷胱甘肽、免疫反應、細胞凋亡、線粒體功能、電子傳遞和絲裂原激活蛋白激酶相關的基 17。所以，臨床數(shù)據(jù)結合機器學習也可以增強心臟安全性預測，及早預防惡性心律失常的發(fā)生所以說機器學習算法是一種強大而準確的疾病篩選工具但是，目前一個已知的局限性是，算法模型不能完全解釋結果背后的基本病理生理機制，無法解釋輸入端原始心電信號和輸出端之間的病理生理相關性18。心臟病專家通常需要使用一致認可的心電圖參數(shù)，如 時限、 間期或 T 波形態(tài)再將提取的這些心電圖生物標記物輸入算法模型進行訓練。目前深度學習無法做到提取這些具有生理意義的關鍵心電圖指標。因此，

11、心電圖智能分析的挑戰(zhàn)不一定是計算性的，而是大規(guī)模所需數(shù) 字化信息數(shù)據(jù)集的可用性。、工能心起治多項臨床試驗表明，心臟再同步化治療CRT）可以降低心衰患者的發(fā)病率和死亡率19。然而，盡管所有患者符合植入標準，仍有大約0的患者對 CRT 治療沒有反應20于無監(jiān)督學習進行人群分類的一個應用領域是更精確地篩選適合接受 CRT 的患者。有研究21入 例 患者提取了包括流行病學資料血清學檢查心圖超聲心動圖、用藥情況和就診中心在內(nèi)的 50 項基線資料。通過無監(jiān)督學習，將這些患者分為 4 組， 組者間大數(shù)臨床基線和主要終點事均有顯著差異，其中 2 組患者對 CRT 的反應較好，組內(nèi)知的 CRT 有反應的預測因子

12、比例較高，主要終點事件的發(fā)生風險較低。這些結果說明，整合多項臨床參數(shù)的無監(jiān)督學習可以有助于篩選對 CRT 反應較好的人群。與傳統(tǒng) CRT 反應性的預測模型相比，機器學習的模型預測效果更優(yōu)Kalscheur MW 等比較了隨機森林算法模型與傳統(tǒng) CRT 預測模型的預測效果結果發(fā)現(xiàn)于 CRT 術后 12 個月的因死亡風險或心衰住院風，機器學習模型的預測效果優(yōu)于通過束支阻滯形態(tài)聯(lián)合 時限構建的模型的預測效 22。目前這些算法的局限性均在于入選人群的特殊性，尚不清楚這些算法是否適用于所有 CRT 患者此外各個研究的隨訪間不同如果隨訪時間長，是否會得到類似的結果也尚不清楚。所以，這些結果有待在其他研究人

13、群中進行驗證如果適用于臨床將有助于醫(yī)師在 CRT 植入前做出最優(yōu) 的臨床決策。人工智能算法可以優(yōu)化遠程隨訪。對使用心臟植入型電子設備（CIEDs治療的患者進行遠程監(jiān)測有助于及早發(fā)現(xiàn)心律失常和設備的技術問題來改善患者的隨訪和預后。然而，由于醫(yī)療花費和醫(yī)療報銷問題，CIEDs 遠程隨訪在臨床實踐的應用仍然緩慢，另外，量的遠程跟蹤和警報管理對于醫(yī)生或有經(jīng)驗的管理人員來說比較耗時。法國的研究者Rosier A 等23研究了一種基于人工智能工具的房顫危險性分級警報系統(tǒng)，通過提取醫(yī)療記錄構建模型，將房顫危險性分為低、中、高和極高 4個等級，分析 60 例植起搏器患者的程控記錄，結合 CHA2DS2評分與房顫持續(xù)時間，人工將房顫危險性分級，比較智能分級的安全性和有效性，研究結果發(fā)現(xiàn)，在智能模型中 98的起搏器警報被正確分類，這項技術使人工工作量減少了 84時可以保證患者安全著臨床數(shù)據(jù)集的擴展，機器學習算法的應用將進一步提高心臟電生理和起搏領域診 療的精確性