人工智能臨床決策支持系統(tǒng)在腦血管病中的應(yīng)用

丁玲玲，李子孝，王擁軍

卒中是中國居民死亡和殘疾的第一位病因。中國的卒中發(fā)病率呈上升趨勢，在全球范圍內(nèi)，中國年齡標(biāo)準(zhǔn)化后的卒中發(fā)病率最高（354/10萬人年），卒中現(xiàn)患人數(shù)高居世界首位，中國卒中防治工作正面臨嚴(yán)峻挑戰(zhàn)[1-2]。積極推進(jìn)卒中的防治，包括危險因素干預(yù)、急性期救治以及規(guī)范化卒中二級預(yù)防，可以提升卒中的醫(yī)療質(zhì)量，改善患者結(jié)局[3-4]。

隨著人工智能（artificial intelligence，AI）技術(shù)的迅猛發(fā)展以及醫(yī)療大數(shù)據(jù)的不斷積累，AI被廣泛應(yīng)用于醫(yī)療領(lǐng)域。臨床決策支持系統(tǒng)（clinical decision support system，CDSS）是AI在醫(yī)療領(lǐng)域的一項重要實踐應(yīng)用。CDSS通過計算機系統(tǒng)來輔助醫(yī)師做出臨床決策，將患者臨床信息與知識庫相匹配，協(xié)助疾病診斷，依據(jù)循證證據(jù)給出優(yōu)化的診療方案，并可以通過提示干預(yù)診療流程，從而減少醫(yī)療差錯、提高醫(yī)療質(zhì)量。探索基于AI的腦血管病臨床診療輔助決策系統(tǒng)，融合臨床信息及影像等大數(shù)據(jù)，輔助臨床決策、實現(xiàn)精準(zhǔn)醫(yī)療，對提升腦血管病診療水平具有重要意義[5-6]。

CDSS主要分為兩大類，包括基于知識庫的CDSS和非基于知識庫的CDSS?；谥R庫的CDSS由知識庫、推理機和人機交流接口三大核心要素組成。非基于知識庫的CDSS通過機器學(xué)習(xí)的方法，包括人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）、遺傳算法（genetic algorithms，GA）等，從已有的經(jīng)驗中自動學(xué)習(xí)規(guī)則[6-9]。

20世紀(jì)70年代美國斯坦福大學(xué)發(fā)布了第一個功能較全面的醫(yī)學(xué)專家系統(tǒng)MYCIN，在斯坦福醫(yī)學(xué)院進(jìn)行了一項類似圖靈測試的實驗，挑選10例不同類型腦膜炎患者，由MYCIN和8名醫(yī)師（包括1名住院醫(yī)師、1名研究員以及5名傳染病學(xué)專家）根據(jù)病史分別給出診斷及治療方案，并由8名專家對診斷的準(zhǔn)確性和治療的有效性進(jìn)行評分，最終結(jié)果MYCIN獲勝[10]。此后，CDSS經(jīng)歷了數(shù)個發(fā)展階段，其最終目的是服務(wù)于臨床診療。一項系統(tǒng)綜述對148項在真實臨床環(huán)境中進(jìn)行的CDSS隨機對照試驗進(jìn)行薈萃分析，發(fā)現(xiàn)CDSS可以改善醫(yī)療過程保健措施（OR 1.42，95%CI 1.27～1.58）[11]。

近年來，CDSS在腦血管病領(lǐng)域得到了廣泛應(yīng)用。本文綜述了CDSS在腦血管病中應(yīng)用的研究，包括早期高危人群識別、急性期溶栓決策支持、自動化病因分型、二級預(yù)防決策等。對266例接受TIA評估的患者進(jìn)行3年隨訪，結(jié)局指標(biāo)為指南的依從性和患者的安全性，研究結(jié)果發(fā)現(xiàn)實施EDS后，?？漆t(yī)師評估的延遲從10 d下降到3 d（HR 1.45；95%CI 1.13～1.86；P=0.001），24 h內(nèi)獲得最佳治療的患者從43%上升到57%（RR 1.33；95%CI 1.02～1.71；P=0.04），研究得出結(jié)論，在初級醫(yī)療保健環(huán)境中，對TIA/卒中實施EDS可以減少專科醫(yī)師診治延遲，并且是安全的[13-14]。

深度學(xué)習(xí)算法可以幫助準(zhǔn)確識別需要緊急關(guān)注的頭部CT異常，為實現(xiàn)急診自動分診提供了可能。美國西奈山伊坎醫(yī)學(xué)院Titano等[15]開發(fā)了一個人工智能平臺，識別急性神經(jīng)系統(tǒng)疾?。X血管病、腦積水等）僅需用時1.2 s，與放射科醫(yī)師在同等條件下花費的時間相比可縮短150倍。Abedi等[16]研究發(fā)現(xiàn)應(yīng)用ANN模型鑒別急性缺血性卒中與類卒中同樣具有良好的敏感性（80.0%，95%CI 71.8～86.3）和特異性（86.2%，95%CI 78.7～91.4）。

總之，目前AI在卒中早期高危人群識別領(lǐng)域的應(yīng)用技術(shù)不斷得到發(fā)展，為卒中急性期的救治提供了更多的機會，對改善卒中患者結(jié)局具有重要意義。

1 早期高危人群識別

TIA為卒中相關(guān)風(fēng)險因素，早期干預(yù)可能減少卒中負(fù)擔(dān)。對此，新西蘭Ranta等[12]開發(fā)了一個電子決策支持（electronic decision support，EDS）工具，旨在幫助全科醫(yī)師在不依賴?？漆t(yī)師的情況下快速識別TIA/卒中患者。Ranta團(tuán)隊?wèi)?yīng)用該工具開展了前瞻性研究，

2 急性期再灌注治療決策支持

Viz.AI公司（美國）的Viz.ai's Contact產(chǎn)品是美國食品藥品監(jiān)督管理局（Food and Drug Administration，F(xiàn)DA）批準(zhǔn)的第一個針對腦血管病的人工智能診斷決策支持工具，通過人工智能算法分析CTA發(fā)現(xiàn)可疑的大血管閉塞（large vessel occlusion，LVO），從而通知神經(jīng)病學(xué)專家和介入醫(yī)師，敏感性為92%，特異性為90%，平均通知時間為6 min，從而為再灌注治療提供快速輔助決策[17]。斯坦福大學(xué)研發(fā)的RAPID軟件通過表觀彌散系數(shù)（apparent diffusion coefficient，ADC）閾值600×10-6mm2/s界定梗死核心，PWI Tmax＞6 s界定低灌注，在5～7 min內(nèi)可自動評估急性缺血性卒中DWI/PWI不匹配，敏感性為100%，特異性為91%，已被廣泛應(yīng)用于血管內(nèi)干預(yù)治療的影像篩選，推動了缺血性卒中臨床研究和醫(yī)療實踐的發(fā)展[18]。

基于常規(guī)CT影像有助于缺血性卒中急性期醫(yī)師就rt-PA的使用做出合理的決策。Shieh等[19]開發(fā)了自動ASPECTS評分系統(tǒng)，采用對側(cè)比較的方法，檢測早期缺血性改變，輸出溶栓治療的建議。研究者將103例患者分為建議溶栓組（ASPECTS評分＞7分）或不建議溶栓組（ASPECTS評分≤7分），兩組的分析準(zhǔn)確率高，其ROC曲線下面積（area under the curve，AUC）為90.2%，平均處理時間為170 s。Nagenthiraja等[20]開發(fā)了基于MRI的自動軟件工具COMBAT Stroke，用于評估PWI/DWI不匹配的體積和比值，并用實際臨床決策驗證COMBAT Stroke所做的決策，在歐洲兩個中心卒中數(shù)據(jù)庫的228例患者，186例接受溶栓治療，COMBAT Stroke將142例患者列為潛在溶栓治療，敏感性為60%，特異性為29%。Flynn等[21]開發(fā)的COMPASS決策輔助工具可以輔助臨床醫(yī)師對急性缺血性卒中患者溶栓治療做出針對性的臨床決策，以數(shù)字和圖形的方式表示風(fēng)險預(yù)測結(jié)果（出血、死亡和殘疾），有助于更好地向患者及家屬傳達(dá)溶栓獲益及風(fēng)險的個體化信息。致性。2012年Nam等[27]開發(fā)了名為iTOAST的手持卒中分類臨床決策系統(tǒng)，只需回答6個問題即可顯示卒中分型結(jié)果，與卒中專家分型結(jié)果相比，iTOAST的kappa系數(shù)為0.79，比傳統(tǒng)TOAST分型更簡單、準(zhǔn)確。但是，上述系統(tǒng)對評估者的知識水平依賴度均較高。

Garg等[28]使用機器學(xué)習(xí)和自然語言處理（natural language processing，NLP）對急性缺血性卒中患者進(jìn)行TOAST分型，與人工分類相比，基于機器分類中使用放射學(xué)報告和病程記錄綜合數(shù)據(jù)獲得分型的kappa值為0.57，并且不同病因分型的kappa值存在差異，其中心源性栓塞最高（kappa=0.64），隱源性卒中最低（kappa=0.47）；在測試集中，基于機器分類與評分者間存在良好一致性（kappa=0.72）。上述研究結(jié)果表明將人工智能技術(shù)應(yīng)用于缺血性卒中病因分型具有可行性。通過NLP技術(shù)自動提取病歷信息，結(jié)合機器學(xué)習(xí)自動提取神經(jīng)影像特征，可以獲取更真實的患者信息，從而提高診斷的準(zhǔn)確性[29]。目前尚未有研究基于人工智能綜合分析神經(jīng)影像及臨床信息，從而建立高效、準(zhǔn)確的缺血性卒中自動病因分型系統(tǒng)。

3 缺血性卒中病因自動分型

盡管卒中病因分類體系不斷在完善，但不同評價者間存在差異，與個人經(jīng)驗及專業(yè)知識等有關(guān)。來自不同研究的結(jié)果發(fā)現(xiàn)TOAST分型信度檢驗kappa值為0.42～0.68[22-24]。缺血性卒中的病因分型對治療決策、預(yù)后及開展臨床研究均有重要影響。為進(jìn)一步提高卒中病因分型的信度，Ay等[25-26]建立了卒中病因分類系統(tǒng)（causative classification system，CCS）在線系統(tǒng)，利用電腦軟件自動分析，目的是保證不同卒中中心、不同研究者對卒中亞型分類的一

4 缺血性卒中二級預(yù)防

Weir等[30]開展了一項整群隨機對照研究，在16家醫(yī)院招募了1952例缺血性卒中/TIA患者，通過CDSS根據(jù)患者的病史和臨床表現(xiàn)來評估各項事件風(fēng)險，包括缺血性卒中、顱內(nèi)出血、心肌梗死、其他缺血性和出血性并發(fā)癥；評估治療策略相關(guān)的事件風(fēng)險，包括抗凝治療和抗血小板治療相關(guān)事件；并且以圖表的形式總結(jié)缺血性事件和出血性事件風(fēng)險。干預(yù)組（CDSS提供特定信息）與對照組（常規(guī)實踐觀察）相比，平均相對風(fēng)險降低（relative risk reduction，RRR）率增加了2.7%（95%CI 0.3～5.7），最佳治療處方的OR值為1.32（95%CI 0.83～1.80），55%（5/9）的臨床醫(yī)師認(rèn)為CDSS影響了他們的處方。

STOP Stroke工具是采用集成模型進(jìn)行開發(fā)的CDSS，旨在為退伍軍人提供健康管理，通過在電子病歷中自動提示臨床醫(yī)師卒中二級預(yù)防的臨床實踐指南，促進(jìn)循證管理；同時創(chuàng)建基于web的用戶界面用于卒中的自我管理，通過共享來實現(xiàn)以患者為中心的決策[31-32]。基于臨床指南的臨床決策支持系統(tǒng)可以在臨床實踐過程中結(jié)合患者臨床信息，通過計算機自動依據(jù)指南循證醫(yī)學(xué)證據(jù)為醫(yī)務(wù)人員提供診療建議，未來應(yīng)用CDSS進(jìn)行卒中二級預(yù)防的規(guī)范化管理具有重要應(yīng)用前景。

5 心房顫動抗凝治療

對于心房顫動相關(guān)的缺血性卒中，抗凝治療對缺血性卒中的二級預(yù)防至關(guān)重要，但現(xiàn)實世界中心房顫動抗凝指南依從性低。通過CDSS干預(yù)提醒醫(yī)師心房顫動患者的卒中風(fēng)險及進(jìn)行抗凝治療是提高指南依從性的一個有效途徑。Karlsson等[33]納入瑞典?sterg?tland的43個初級保健診所444 347例患者進(jìn)行了一項整群隨機試驗，探討CDSS集成的電子健康記錄是否可以提高心房顫動患者卒中預(yù)防的指南依從性，該CDSS可以根據(jù)CHA2DS2-VASc評分向醫(yī)師發(fā)出警告，提醒血栓栓塞的風(fēng)險，研究主要終點是1年時的指南依從性。該研究結(jié)果發(fā)現(xiàn)CDSS干預(yù)組指南依從性與對照組相比顯著增加（73.0% vs 71.2%，P=0.013），同時CDSS組出血的發(fā)生率降低，每1000例心房顫動患者中有12例（95%CI 9～15）出血，對照組為16例（95%CI 12～20）。

Piazza等[34]開發(fā)了一項基于警報的計算機決策支持工具，用于提高卒中高危的心房顫動住院患者抗凝治療的指南依從性。該研究將458例CHA2DS2-VASc評分≥1分的心房顫動住院患者隨機分配至干預(yù)組（基于警報的CDSS）和對照組（無通知），研究結(jié)果發(fā)現(xiàn)干預(yù)組住院期間、出院時和90 d時接受抗凝治療比例顯著高于對照組（25.8% vs 9.5%、23.8% vs 12.9%、27.7% vs 17.1%，P＜0.0001、P=0.003、P=0.007）；該工具顯著降低了90 d復(fù)合血管事件（包括死亡、心肌梗死、腦血管事件和全身性栓塞事件）的發(fā)生率（11.3% vs 21.9%，P=0.002；OR 0.45，95%CI 0.27～0.76）。

華法林是最常見的抗凝治療藥物之一，但是不良事件發(fā)生率高，個體用藥差異大。華法林用藥的困難性促使CaveSS等臨床決策支持工具用于優(yōu)化華法林抗凝的管理，幫助患者個體化劑量的選擇。隨著藥物遺傳學(xué)檢測在華法林治療中的應(yīng)用，可通過結(jié)合患者的臨床特征以及CYP2C9、VKORC1基因型進(jìn)行建模，以估算所需的華法林劑量，并以圖形的形式提供隨時間變化的估計血藥濃度。通過藥物遺傳學(xué)與藥代動力學(xué)和藥效動力學(xué)的基本原理相結(jié)合可以為個體化精準(zhǔn)治療提供強大的決策支持工具[35-36]。

CDSS應(yīng)用于臨床實踐尚存在許多問題，包括：如何集成電子病歷，實現(xiàn)信息的自動獲取和共享；如何構(gòu)建標(biāo)準(zhǔn)化的臨床知識表達(dá)及知識庫，提供基于證據(jù)的臨床實踐指南；如何與臨床診療實踐相結(jié)合，建立有效提醒機制，實現(xiàn)人機交互等。盡管存在諸多問題有待解決，但CDSS是醫(yī)院信息化發(fā)展的必然趨勢，對全面提升臨床醫(yī)師的診療能力、改善醫(yī)療質(zhì)量具有重要意義。在不遠(yuǎn)的未來，CDSS將成為腦血管病管理的一個重要輔助工具。

【點睛】現(xiàn)代科學(xué)技術(shù)的發(fā)展推動了醫(yī)學(xué)的進(jìn)步，將基于人工智能技術(shù)的臨床決策支持系統(tǒng)應(yīng)用于腦血管病的診療，對臨床診療模式的創(chuàng)新和醫(yī)療質(zhì)量改進(jìn)具有重大意義。