人工智能助力心血管健康管理

人工智能助力心血管健康管理《中國心血管健康與疾病報告2022》顯示，我國心血管疾病人數(shù)已達3.3億，每5例死亡中就有2例死于心血管疾病[1]。我國正面臨人口老齡化和代機技術(shù)的突飛猛進有助于實現(xiàn)機器學(xué)習(xí)算法的進步[2],特別是模仿人類大腦功能的深度學(xué)習(xí)的出現(xiàn)，大大促進了AI系統(tǒng)在心血管風(fēng)險預(yù)測、心血管影像等督管理局(foodanddrugadministration,FDA)批準的電圖診斷和預(yù)測能力，可進行患者分層[4]。Somani等[5]訓(xùn)練了一個34層的深度神經(jīng)網(wǎng)絡(luò)(deepneuralnetworks,DNN和分類12種不同類型的心律失常，與心臟病專家認證委員會注釋的記錄數(shù)據(jù)集顫發(fā)生風(fēng)險的準確度達80%;預(yù)測肥厚性心肌病的準確率達90%;還可預(yù)測主動脈瓣狹窄人群在未來15年進展為中重度主動脈狹窄的風(fēng)險[6]。用的數(shù)字心電數(shù)據(jù)和深度學(xué)習(xí)算法為大幅提高自動心電分析的準確性和可擴展性提供了機會。Hughes等[7]利用2003—2018年病例庫中365009例成人的心Adedinsewo等[8]利用梅奧1994—2017年的電子數(shù)據(jù)庫，試圖使用基于AI的DNN深度學(xué)習(xí)方法，僅通過心電圖診斷無癥狀左心室功能障礙，根據(jù)44959例無癥狀患者的數(shù)據(jù)(包括12導(dǎo)聯(lián)心電圖和左心室射血分數(shù)等超聲心動圖數(shù)據(jù))檢測無癥狀左心室功能障礙，預(yù)測心衰加重的風(fēng)險。該網(wǎng)3%,特異度為85.7%,準確率為85.7%,其效果甚至優(yōu)于目前心衰指南推薦的血Hannun等[9]利用來自53549例患者的91232張單導(dǎo)聯(lián)心電圖對12個節(jié)臨床中可應(yīng)用這種AI方法準確分診或優(yōu)先處理最緊急情況，以減少誤差，提高應(yīng)商無關(guān)的托管和數(shù)據(jù)聚合平臺，具有集成的AI引擎功能，可更好地提供健康移動健康是AI用于醫(yī)療的一個子領(lǐng)域，其特點是使用移動和無線技術(shù)來改善醫(yī)療保健。與心血管相關(guān)的不同類型數(shù)據(jù)(如血壓、心電圖、血氧飽和度等)襯衫、貼片、腕帶、戒指和眼鏡等。移動醫(yī)療和遠程醫(yī)療的大數(shù)據(jù)與AIAI等新技術(shù)來改善醫(yī)療服務(wù)，有助于減少對傳統(tǒng)醫(yī)療保健系統(tǒng)和基于光電容積脈搏波(photoplethysmography,PPG)的可穿戴式心電監(jiān)護估蘋果心臟研究應(yīng)用程序(一種分析脈搏數(shù)據(jù)的移動醫(yī)療應(yīng)用程序)是否可使用蘋果手表上收集的數(shù)據(jù)來識別不規(guī)則的心律(心房顫動和其他心律失常)[10風(fēng)險。研究發(fā)現(xiàn)，機器學(xué)習(xí)模型預(yù)測房顫發(fā)作靈敏度為94.04%,特異度為96.35%,召回率為94.04%,在預(yù)測未來4~8h內(nèi)房顫發(fā)作事件的線上和線下測試中均表現(xiàn)出良好的預(yù)測效能[12]。最終實現(xiàn)每個心動周期的血壓實時監(jiān)測，但其準確性尚待進一步驗證[13]。同自動化方式解釋多維成像模式(如3D超聲心動圖和斑點跟蹤技術(shù)),借助集成在軟件中的算法能夠在幾秒鐘內(nèi)自動計算更多有用但常規(guī)檢查并不檢測的心臟是，這一模型還可用于3D分析困難的患者，如快速心律失?；蚝粑щy患者。-3D數(shù)據(jù)集，仍然能夠獲得這些患者的全面心臟參數(shù)，指導(dǎo)下一步治療[14]。病評估等關(guān)鍵指標上的表現(xiàn)超過了專家，模型預(yù)測射血分數(shù)1%,并可靠地分類了射血分數(shù)降低的心力衰竭(曲線下面積為0.97)[15]。均絕對誤差為6.0%,重復(fù)的前瞻性評估證實，該模型具有與專家相當或小于人AI平臺可通過自動測量、病理特征識別在治療中快速應(yīng)用，改進和標準化目前的流程。超聲心動圖AI研究的優(yōu)勢和前景在于識別可能提示亞臨床疾病或預(yù)后四、AI與冠狀動脈計算機斷層血管造影(coronary地用于冠狀動脈疾病(coronaryarterydi和風(fēng)險評估(如冠狀動脈鈣化積分和冠脈血流儲備分數(shù)計算)[16]。Zellweger等[17]研究了AI作為CAD無創(chuàng)診斷工具的作用，使用一種基于AI的模擬模式算法，發(fā)現(xiàn)它在檢測血管造影記錄的CAD患者方面優(yōu)別為98%和95%。另一項國際多中心注冊研究對疑似冠心病患者行64層CCTA,分析患者的臨斑塊組成、冠狀動脈優(yōu)勢等35個CCTA變量的數(shù)據(jù)，發(fā)現(xiàn)利用這些數(shù)據(jù)的AI算8]。目前國內(nèi)已經(jīng)開發(fā)了幾種機器學(xué)習(xí)的模型，應(yīng)用AI的無創(chuàng)冠脈血流儲備分影像檢查的自動解釋和風(fēng)險預(yù)測方面取得了顯著進展。需要注意的是，AI深度學(xué)習(xí)算法的黑盒模型，模型的不可解釋性是AI應(yīng)用中不可忽視的局限性。些缺陷可能會導(dǎo)致自動決策算法中的錯誤結(jié)果[20]。盡管現(xiàn)有的AI和心血管相關(guān)研究多為描述性研究，且在最先進的醫(yī)學(xué)中心有待觀察。AI需要計算機科學(xué)家、臨床研究人員、臨床醫(yī)師和其他用戶之間的[1]中國心血管健康與疾病報告編寫組.中國心血管健康與疾病[J].中國循環(huán)雜志，2023,38(6):583-612.DOI:10.3969/j.issn.1000-3[2]SzolovitsP,PatilRS,SchwartzWB.Artificialintelligencedicaldiagnosis[J].AnnIn6/0003-4819-108-1-80.[3]KrittanawongC,ZhangH,Wanprecisioncardiovasc[4]HannunAY,RajpurkarP,Haghpanahiamsusingadeepneuralnetwork[J].NatMed,2019,25(1):65-69.DOI:trocardiogram:reviewofthecurrentstate-of-t2021,23(8):1179-1191.DOI:10.1093/europace/euaa377.[6]AttiaZI,KapaS,Lopez-Jimctrocardiogram[J].NatMed,2019,25(1):70-74.DO[7]HughesJW,01ginJE,AvramR,erdiograminterpretation[J].JAMACardiol,2021,6(11):1285-1295.DOa[J].CircArrhythmElectrophysiol,2020,13(8):earrhythmiadetectionandclassificationinambulatamsusingadeepneuralnetwork[J].NatMed,2019,25(1):65-69.DOI:9,381(20):1909-1917.DOI:10.1056/NEJMoa1901183.21,15(2):109-112.DOI:10.3760/115624-20201126-00826.[12]GuoY,LaneDA,WangL,etal.Mobilehealthtechnology2020,75(13):1523-1534.DOI:10.1016/j.jacc.2020.01.052.南[J].中國循環(huán)雜志，2021,36(4):313-328.DOI:10.3969/j.issn.1000[14]MedvedofskyD,Mor-AviV,AmzulescuM,etal.dy[J].EurHeartJCardiovascImag093/ehjci/jew328.[15]OuyangD,HeB,GhorbaniA,etal.Video-basedAI-beatassessmentofcardiacfunction[J].Nature,2020,580(7802):252-256.DOI:10.1038/s41586-020-2145-8.[16]ZellwegerMJ,Tsirkineasanessentialelementofpredictive,preventivemedicine[J].EPMAJ,2018,9(3):235-247.DOI:10.1007/s13167-018[17]ZellwegerMJ,BrinkertM,BucherbasedalgorithmtodiagnJCardiol,2014,174(1):184-186.DOI:10.1016/j.e-learningapproachtocoronary