《2024人工智能助力心血管健康管理.docx》由会员分享,可在线阅读,更多相关《2024人工智能助力心血管健康管理.docx(9页珍藏版)》请在第一文库网上搜索。
1、2024人工智能助力心血管健康管理摘要我国心血管疾病负担持续增加,其早期识别和预测对于改善心血管结局至关重要。人工智能系统在心血管风险预测、心血管影像等方面的迅速进展以及移动健康的发展使得自动获取多种生命体征数据成为可能,大大促进了心血管疾病的早期识别和诊断。心电图诊断中应用人工智能方法有助于快速准确诊断并优先处理最紧急情况,减少误差;人工智能与移动健康结合可用于多疾病监测的心脏健康监测服务平台;超声心动图结合人工智能研究有助于识别亚临床疾病或细微未被识别的影像学特征;使用机器学习模型可无创评估冠状动脉有无血流意义的狭窄和冠状动脉斑块的稳定性,以区分未来冠脉事件的发生风险。因此,人工智能的发展
2、有潜力将医师从耗时、重复的传统医学模式中解脱出来,并进行最佳的心血管疾病危险因素管理,从而最大限度地减轻医疗保健系统的过重负担,提高心血管疾病健康管理水平。中国心血管健康与疾病报告2023显示,我国心血管疾病人数已达3.3亿,每5例死亡中就有2例死于心血管疾病1。我国正面临人口老龄化和代谢危险因素持续流行的双重压力,心血管疾病负担仍将持续增加,其早期识别和预测对于改善心血管结局至关重要,但目前仍面临很大挑战。人工智能(artificia1inte11igence,A1)是一种计算机系统,能够执行需要人类智能的部分任务,可在广泛的现实世界中解决具有挑战性的任务。计算机技术的突飞猛进有助于实现机器
3、学习算法的进步2,特别是模仿人类大脑功能的深度学习的出现,大大促进了AI系统在心血管风险预测、心血管影像等方面的进展,同时各种传感器、通信网络以及可穿戴和便携式设备的发展,使得获取多种形式的数据成为可能,可促进心血管疾病的早期诊断。过去20年,PubMed数据库中关于心血管和AI的相关研究数量迅速增加,2023美国食品药品监督管理局(foodanddrugadministration,FDA)批准的A1辅助诊疗项目中,心血管相关项目排第二位,其中以心血管辅助检查的研究最多,进展也最快3。本文就AI在心电图、移动医疗和影像检查方面的进展进行阐述。一、A1与心电图心电图是识别心电活动异常最广泛使用
4、的工具。应用机器学习模型,特别是自主深度学习,可自动检测心电图中的异常并作出诊断,同时深度学习优化了心电图诊断和预测能力,可进行患者分层4。Somani等5训练了一个34层的深度神经网络(deepneura1networks,DNN)作为深度学习模型,用于识别和分类12种不同类型的心律失常,与心脏病专家认证委员会注释的记录数据集相比,这个深度学习模型获得的结果非常出色,依据窦性心律心电图预测未来房颤发生风险的准确度达80%;预测肥厚性心肌病的准确率达90%;还可预测主动脉瓣狭窄人群在未来15年进展为中重度主动脉狭窄的风险6。计算机化心电图判读在临床心电图工作流程中起着至关重要的作用。广泛可用的
5、数字心电数据和深度学习算法为大幅提高自动心电分析的准确性和可扩展性提供了机会。HUgheS等7利用20032018年病例库中365009例成人的心电图数据,应用DNN深度学习模型进行分析,显示出与心脏病学家相似的诊断准确率和更高的敏感度,显示出深度学习模型的强大潜力和良好的学习效果。AdedinSeWO等8利用梅奥19942017年的电子数据库,试图使用基于A1的DNN深度学习方法,仅通过心电图诊断无症状左心室功能障碍,根据44959例无症状患者的数据(包括12导联心电图和左心室射血分数等超声心动图数据)检测无症状左心室功能障碍,预测心衰加重的风险。该网络模型的敏感度为86.3%,特异度为85
6、.7%,准确率为85.7%,其效果甚至优于目前衰指南推荐的血液脑钠肽筛查心衰的数据。HannUn等9利用来自53549例患者的91232张单导联心电图对12个节律类别进行分类,由认证的执业心脏病学家进行诊断注释,DNN动态心电图诊断结果准确度达到0.97,DNN的阳性预测值和敏感度超过了普通心脏病专家的平均值,准确度高于心脏病专家的平均值。上述数据表明,深度学习方法可从单导联动态心电图中对各种心律失常进行准确诊断,具有与心脏病专家相似的诊断性能。临床中可应用这种AI方法准确分诊或优先处理最紧急情况,以减少误差,提高效率,挽救更多生命。KardiaMobiIe六导联心电图是第一个FDA批准的信用
7、卡大小的个人心电图设备,该设备可即时检测房颤、心动过缓、心动过速、室上性异位心律、室性早搏心律、宽QRS波心动过速和正常心律。已有商业公司与之合作建立了一个与供应商无关的托管和数据聚合平台,具有集成的A1引擎功能,可更好地提供健康服务。目前人工智能已经广泛应用于心电图领域,不仅能更快速准确地获得心电诊断,还可提示潜在进展的心血管疾病,更好地促进心血管健康管理。二、A1与移动健康移动健康是AI用于医疗的一个子领域,其特点是使用移动和无线技术来改善医疗保健。与心血管相关的不同类型数据(如血压、心电图、血氧饱和度等)可从各种各样的传感器中获得,如智能手机、腕式可穿戴设备或粘性背心、袜子、衬衫、贴片、
8、腕带、戒指和眼镜等。移动医疗和远程医疗的大数据与A1技术相结合,借助物联网,可帮助心脏病专家做出更好的临床决策。未来可用于多疾病监测的心脏健康监测服务平台,在辅助生活环境中使用云模型、物联网传感器和AI等新技术来改善医疗服务,有助于减少对传统医疗保健系统和服务的依赖。基于光电容积脉搏波(photop1ethysmography,PPG)的可穿戴式心电监护仪可连续或通过用户行为获得单导联和多导联心电图。PPG是使用光学传感器来测量皮肤血管的脉搏,可测量心率、血氧饱和度和其他心脏参数。加速度计和基于全球定位系统的传感器可提供活动数据,包括久坐时间、步数、速度、冲击力、锻炼等。如今,许多商用设备已可
9、提供这些类型的数据,并有相应的循证医学证据。苹果公司与斯坦福大学医学院合作翊开展苹果手表的移动健康研究,以评估苹果心脏研究应用程序(一种分析脉搏数据的移动医疗应用程序)是否可使用苹果手表上收集的数据来识别不规则的心律(心房颤动和其他心律失常)10,11o解放军总医院和华为智能穿戴设备团队共同开展了心脏健康研究,利用移动心房颤动管理mAFA平台,基于可穿戴设备持续监测大数据,AI可预测心颤发作风险。研究发现,机器学习模型预测房颤发作灵敏度为94.04%,特异度为96.35%,召回率为94.04%,在预测未来48h内房颤发作事件的线上和线下测试中均表现出良好的预测效能12。可穿戴设备中的腕式血压计
10、佩戴较为舒适,以袖带式血压监测的肱动脉血压作为参照,其通过心电活动和血管容积描记曲线获得脉搏波传导时间,根据转化公式推算出血压袖带充气造成的夜间噪音较小,可减轻血压监测对患者夜间睡眠的干扰程度,提高舒适度和依从性,由于不需要充、放气,非袖带式血压测量可最终实现每个心动周期的血压实时监测,但其准确性尚待进一步验证13。同时建立互联网、无线通讯及云计算基础上的远程分析报告平台,根据系统提示规范地设置动态监测方案,可将测量数据上传至平台,平台专业软件进行标准化分析,获取动态血压报告,可同时传输给高血压专科医师进行评估、分析与判断后反馈至社区和个人。通过纵向整合医疗资源,形成资源共享、分工协作,获得同
11、质化结果。三、A1与超声心动图超声心动图可便捷、及时、经济地评估心脏结构和功能,在诊断和评价心血管疾病方面具有重要价值,但目前仍高度依赖操作者的经验,要求超声医师具备较高的理论水平并积累丰富的临床经验,且在图像质量和诊断效用方面仍存在相当大的变异性。而AI可使超声心动图的诊断更加标准化,并强化其性能。机器学习模型如HeartModeIAI软件包可实现三维超声心动图自动分析,以自动化方式解释多维成像模式(如3D超声心动图和斑点跟踪技术),借助集成在软件中的算法能够在几秒钟内自动计算更多有用但常规检查并不检测的心脏参数,与传统测量系统进行比较,可以更完整地评估心脏功能。另一个重要优点是,这一模型还
12、可用于3D分析困难的患者,如快速心律失常或呼吸困难患者。这些患者无法耐受3D分析时间,HeartModeIAI软件包可在单拍模式下获得eco-3D数据集,仍然能够获得这些患者的全面心脏参数,指导下一步治疗14。心功能的评估对临床治疗决策至关重要。目前,心脏超声对心功能的评估主要集中在心脏周期的有限采样上,即使同样经过多年训练的超声心动检查医师,不同医师之间也存在相当大的差异。A1同样能够克服这一难题:一种基于视频的深度学习算法模型EchoNetDynamic在左心室容积测定、射血分数估计和心肌病评估等关键指标上的表现超过了专家,模型预测射血分数的平均绝对误差为4.1%,并可靠地分类了射血分数降
13、低的心力衰竭(曲线下面积为097)15o在另一个医疗保健系统的外部数据集中,EchoNet-Dynamic预测射血分数的平均绝对误差为6.0%,重复的前瞻性评估证实,该模型具有与专家相当或小于人类专家的方差。上述模型还可利用多个心脏周期信息快速识别射血分数的细微变化,比人工评估更具可重复性,为实时精确诊断心血管疾病奠定了基础。随着机器学习方法的成熟,临床超声心动图数据的累积量增加,超声心动图AI平台可通过自动测量、病理特征识别在治疗中快速应用,改进和标准化目前的流程。超声心动图AI研究的优势和前景在于识别可能提示亚临床疾病或预后的细微或未被识别的影像学特征。四、AI与冠状动脉计算机断层血管造影
14、(coronaryarterycomputertomographyangiography,CCTA)检查CCTA是一种检测冠状动脉疾病的无创方法,与有创血管造影相比,通常会高估血管狭窄的严重程度。在心脏CCTA的机器学习中,图像分析技术越来越多地用于冠状动脉疾病(coronaryarterydisease,CAD)和动脉粥样硬化的诊断和风险平估(如冠状动脉钙化积分和冠脉血流储备分数计算)16。Ze11weger等17研究了AI作为CAD无创诊断工具的作用,使用一种基于AI的模拟模式算法,发现它在检测血管造影记录的CAD患者方面优于Framingham风险评分,在“训练人群和测试人群中优化的结果
15、对排除CAD的阳性预测值分别为98%和95%0另一项国际多中心注册研究对疑似冠心病患者行64层CCTA分析患者的临床特征和CCTA图像,共收集包括冠状动脉狭窄的严重程度、16个冠状动脉段的斑块组成、冠状动脉优势等35个CCTA变量的数据,发现利用这些数据的AI算法创建的风险评分比目前的CCTA综合风险评分具有更高的预测准确性,当使用冠脉血流储备分数作为参考时,CCTA显示的血管造影狭窄并不一定意味着有血流动力学意义的狭窄,从而减少不必要的有创检查,可作为有创检查的守门人18。目前国内已经开发了几种机器学习的模型,应用AI的无创冠脉血流储备分数,并通过正确重新分类无血流动力学意义的狭窄来提高CC
16、TA性能。使用机器学习模型还可进一步评估冠状动脉斑块的稳定性,预测未来冠脉斑块破裂风险和冠脉狭窄进展程度,以区分未来冠脉事件的发生风险。五、总结与展望近年来,AI在心脏病学的几乎所有领域均取得重大成就,在心电图分析、影像检查的自动解释和风险预测方面取得了显著进展。需要注意的是,AI有助于生成两个问题的相关性,而不是建立因果关系。因果关系的建立需要预先设定更严格的临床研究/试验的假设并证实。在以往的AI深度学习研究中,构建的是深度学习算法的黑盒模型,模型的不可解释性是AI应用中不可忽视的局限性。因此,在解释使用AI研究时,应首先关注临床背景、临床判断和基本原理19。止匕外,人们普遍认为数字不会说谎,但与数据相关的结果和推断并不总是正确的,如大数据存在两个系统性缺陷:不准确的数据输入和使用错误的算法,这些缺陷可能会导致自动决策算法中的错误结果20。尽管现有的AI和心血管相