人工智能在心血管医疗领域提升临床价值.docx

《人工智能在心血管医疗领域提升临床价值.docx》由会员分享，可在线阅读，更多相关《人工智能在心血管医疗领域提升临床价值.docx（10页珍藏版）》请在第一文库网上搜索。

1、人工智能在心血管医疗领域提升临床价值目录编者按21 .介绍：21. 1.A1应用的工作流程：22. 2.应用的案例研究人工智能技术：42 .案例1：使用高级聚类的受体阻滞剂的治疗效果52. 1.工作流53. 2.基本原理54. 3.发现：55. 4.关键的解释：53 .案例研究2：高维组学数据的整合53. 1.工作流64. 2.基本原理：65. 3.发现：66. 4.关键解释：64 .案例研究3：文本挖掘在医疗数据中的应用64.1. 1.工作流64.2. 基本原理：64.3. 发现：64.4. 关键的解释65 .案例研究4：通过心电图预测心力衰竭65. 1.工作流76. 2.基本原理：77.

2、3.发现：78. 4.关键的解释：76 .案例研究5：可穿戴数据的整合76. 1.工作流程77. 2.基本原理:78. 3.发现:79. 4.关键的解释：77 .案例研究6：基于智能手机获取的光电容积描述记述预测血管老化77. 1.工作流88. 2.基本原理：87 .3.发现：88.病理研究7：使用心脏运用预测肺动脉高压患者的生存率88. 1.工作流88. 2.基本原理:88 .3.发现：89 .关键的解释：810 .讨论911 .人工智能将提高心血管医疗领域的临床价值9编者按今天分享的是伯明翰大学心血管科学研究所SimratK.Gi11(h-index:20)和AndreasKarwathf

3、h-index16)等人发表在EuropeanHeartJourna1期刊上的高分文章，随着AI越来越多地应用于医疗保健。本文为临床医师和研究人员提供了高价值AI,可以应用于各种不同的数据模式，提高A1方法的透明度和应用，并在常规心血管护理使患者获益。受益于现代A1技术的达利和临床问题，将他们应用于心血管疾病管理。1 .介绍：人工智能(A1)方法已经被开发出来，以处理大型或复杂的数据集，为选择机器学习方法提供了技术基础。我们的目的是开放这些新技术，鼓励广泛而适当的使用，同时加强对其局限性的审查和认识，以推进患者医疗。1. 1.A1应用的工作流程：第一步：数据的类型和整理:严格地确定研究的设计，

4、并促进适当的分析。数据集的选择通常由研究问题决定，窠例研究强调，结构化数据可以更容易地解释为医疗保健，但非结构化数据提供了潜在的、隐藏的或其他未知的关系。使用和连接不同类型的数据也可能是有益的。第二步：数据的预处理需要探索数据中的潜在偏倚，然后将数据转换成可用的格式，用于机器学习算法，预处理是规划一项研究并理解其结果的关键步骤对于数值变量，这通常意味着将数值转化为正态分布(标准化)或将数值带入预先定义的范围(标准化)。分类数据类型通以二进制格式编码。第三步：选择正确的机器学习方法在监督设置中，机器学习方法使用标记数据执行某种形式的预测现在有各种各样的机器学习算法。通过对训练数据的迭代分割，构建

5、决策树，直到无法进一步分割为止，神经网络、深度神经网络(DeePneUraInetWOrks,DNN)卷积神经网络(ConVO1UtiOna1neUra1netWOrks,CNN),所有这些A1方法都已在医疗保健环境中使用，随着不断的演变，这个资源列表将继续扩大。第四步：验证和评估方法和结果为了了解研究结果如何应用于真实世界，需要适当的验证。外部验证应该是所有A1研究的默认方法，通常涉及对完全看不见的数据的性能进行评估。一个金标准的方法是将学习的模型应用于来自不同队列或研究的一个或多个数据集，最好是来自不同的研究中心或时间间隔，可选择的方法包括k折交叉验证，另一种替代方法是引导捆绑式。对任何机

6、器学习算法的评估都涉及分类统计量等性能指标，包括真阳性率或灵敏度、真阴性率或特异度以及阳性或阴性预测值.对于至事件发生时间分析，通过Harre1c统计量计算ROC测量的相同一致性概率1.2. 应用的案例研究人工智能技术：以下案例研究展示了AI技术的潜在临床价值表1列出了映射到A1工作流程的案例研究摘要，表2从患者和公众的角度介绍了AI在常规医疗中的使用情况,2.案例1：使用高级聚类的受体阻滞剂的治疗效果2.1. 工作流(i)来自临床试验的结构化数据；(ii)无监督聚类；(iii)通过自举法和留一试法进行内部和外部验证。2. 2.基本原理受体阻滞剂在降低窦性心律射血分数降低的心力衰竭(HFrEF

7、)患者的死亡率方面非常有效，ir与患者的年龄或性别有关，然而，在HFrEF合并心房颤动(AF)患者中，B受体阻滞剂的疗效未得到证实。2. 3.发现：9项随机试验提供了2,837例在随机分组时心电图(ECG)显示AF的HFrEF患者的个体患者数据，一组比较年轻分AF患者出现了。表明B受体阻滞剂显著降低了死亡率。验证表明结果具有良好的可靠性和可重复性。3. 4.关键的解释：基于无监督神经网络的方法能够根据患者对受体阻滞剂治疗的反应将心力衰竭患者聚类到不同的治疗组。3.案例研究2：高维组学数据的整合3.1. 工作流结构化组学数据；（ii）无监督go2p1s;（iii）外部算法验证。3. 2.基本原理

8、：采用GO2P1S方法，通过同时降维和特征选择，整合两个异质性组学数据集3. 3.发现：对两组组学数据进行分析；来自RNA测序的1387个差异表达转录本和来自流式细胞术的7个炎症标志物。使用GO2P1S,预测样本评分显示PSC-IBD患者与溃疡性结肠炎患者之间存在分离；。发现了负责调节免疫和炎症反应的关键基因（趋化因子配体1,CXC11）4. 4.关键解释：利用机器学习整合不同类型的临床数据，包括基因组学和蛋白质组学，是为新的转化研究确定靶基因的有效方法4.案例研究3：文本挖掘在医疗数据中的应用4.1. 工作流来自EHR的半结构化数据；（ii）监督文本挖掘；（iii）专家验证和ehr编码数据验

9、证4. 2.基本原理：临床记录是EHR中丰富的信息来源，与单独编码数据相比，包含每个患者健康状况的更多细节。我们在临床信件中使用了有监督的KOmenti文本挖掘框架，以识别除AF和心力衰竭状态外，目前未接受专科治疗的HCM患者，以及抗凝剂使用情况。4. 3.发现：文本挖掘管道共发现HCM关键词23356个字母，其中IIO83个字母相关，描述了3120例患者。与临床资料进行交叉核39例AF患者未接受抗凝治疗，随后转诊接受预防卒中和血栓栓塞的治疗5. 4.关键的解释文本挖掘方法可用于识别患有罕见疾病的患者，从而减少发现患者所需的时间和精力，并增加他们获得专科治疗的机会5.案例研究4：通过心电图预测

10、心力衰竭5.1. 工作流来自EHR的结构化和非结构化数据；（ii）有监督的神经网络；（iii）列车测试分割验证5.2.基本原理：心力衰竭是一个主要的公共卫生问题，12导联ECG编码量很大信息，目前只有一小部分用于临床实践，对数字ECG数据的DNN模型进行了培训、优化和内部验证。5.3.发现：分析队列包括62430例患者，联合ECG和临床参数DNN模型预测新发心力衰竭的ROC面积为0.8265.4.关键的解释：将神经网络模型应用于常规数字ecg可识别有发生心力衰竭风险的患者，但在临床医师实施之前，需要外部验证6.案例研究5：可穿戴数据的整合6.1. 工作流程非结构化可穿戴传感器数据；（ii）有监

11、督的神经网络；（3）交叉验证。6. 2.基本原理：对患者的监测通常仅限于临床治疗期间的零星测量，而可穿戴设备为在一系列环境中进行动态评估提供了机会，我们连续收集参与者的动态心率和体力活动，我们利用可穿戴传感器数据开发了一个CNN,包括一个具有数据增强和无监督预训练的四层网络，以最大限度地提高泛化性，性能通过F1评分进行评估，并通过留一交叉验证进行验证，通过引导重采样估算95%Ci7. 3.发现：可穿戴数据来自被随机分配接受地高辛或B受体阻滞剂治疗的41例患者，使用连续可穿戴传感器数据的CNN模型在试验结束时预测纽约心脏学会心功能分级F1评分为0.55（95%CI：0.400.70；概率为0.3

12、56min步行距离和心电图心率的F1值为0.59（95%CI：0.440.74）。8. 4.关键的解释：在考虑了缺失数据和处理多通道时间序列数据的适当方法之后，可扩展的深度学习框架有能力远程监测慢性病患者。7.案例研究6：基于智能手机获取的光电容积描述记述预测血管老化7.1. 工作流非结构光电体积描记(PPG)传感器数据；(ii)监督神经网络；(iii)列车测试分割、交叉验证和自举9. 2.基本原理：智能手机记录的PPG为大规模、无创的心血管疾病筛查提供了机会，采用基于机器学习的脊惩罚回归Tidgepena1izedregression,RPR)提取PPG特征，对整个PPG信号进行Cnn处理7

13、.3.发现：成功调制了原始PPG信号)RPR方法选择了两个特征，而表现最好的CNN是一个12层ReSNeto单纯应用临床特征，ROc曲线下面积为0.742(95%CI：0.6350.841)。在临床特征的基础上增力U2个PPG特征，RPR的RO曲线面积为0.947(95%CI：0.9020.984)。ROC曲线下面积为0953,CNN最佳(95%CI：0.916-0.989)8.病理研究7：使用心脏运用预测肺动脉高压患者的生存率8.1.工作流心脏磁共振成像产生的非结构化几何数据；(ii)有监督的神经网络；(iii)专家、交叉验证和自举。8. 2.基本原理：肺动脉高压(PH)可导致右心功能衰竭和

14、随后的发病率；我们开发了一种深度CNN方法，将三维心脏磁共振成像数据分割为5个区域。使用bootstrap内部验证来测试生存预测的准确性10. 3.发现：使用CNN模型预测生存结局的平均c统计量为0.75(95%CI：0.700.79),显著高于使用传统人体体积指数和临床危险因素的基准.结果表明机器和人的性能没有显著差异9 .关键的解释：使用CNN和自动编码器的监督AI方法能够准确跟踪心脏图像上的心脏运动，并预测Ph患者的生存，将持续评估的关键要素纳入确保高效临床工作流程和改善患者管理10 .讨论该A1框架使医师研究人员了解如何以及何时将A1算法应用于不同类型的医疗数据，并鼓励与健康数据科学家

15、更好地合作，A1技术的发展如何在治疗选择、风险分层和患者福祉方面实现一步变化，AI在临床医学中的应用是一项不断发展的技术，有可能显着扩大知识和改善医疗服务，通过具有生物学意义的预测来提供新的见解。机器学习算法，尤其是在深度学习领域。基于人工智能的医疗保健研究的社会结构和许可需要具体考虑。特别是，研究人员必须仔细考虑数据隐私问题、同意(选择加入和选择退出的方法)、数据访问、数据共享和传播的理由。11 .人工智能将提高心血管医疗领域的临床价值人工智能(AI)在医疗保健领域的应用越来越广泛。本文为临床医生和研窕人员提供了高价值人工智能的阶梯式基础，这种高价值人工智能可以应用于各种不同的数据模态。其目的是提高人工智能方法的透明度和应用，有可能使患者在常规心血管疾病的治疗中受益。根据明确的研究假设，基于人工智能的工作流是从数据选择和分析前的预处理开始的，而数据类型（结构化、半结构化或非结构化）决定需要哪种类型的预处理步骤和机器学习算法。应进行算法和数据验证，以确保所选方法的稳健性，然后对性能进行客观评估。本文总结了将人工智能技术应用于医疗保健数据的内容和原因，然后提供了如何在临床数据集上执