人工智能在高血壓診治中的應(yīng)用

王立娜 雷警輸 譚琛

高血壓是重要的心血管疾病危險因素,可導(dǎo)致腦卒中、缺血性心臟病、心功能不全和認(rèn)知障礙,也是造成全球死亡和傷殘調(diào)整壽命年增加的重要病因之一。高血壓的發(fā)病率依然每年呈上升趨勢,但總體知曉率、診斷率和有效治療率仍較低,到目前為止僅不到20%的高血壓患者血壓控制達(dá)標(biāo)[1-2],真實世界中高血壓的控制率與臨床指南仍存在較大差距。人工智能和機器學(xué)習(xí)在醫(yī)療領(lǐng)域的研發(fā)和應(yīng)用,無疑給高血壓的診治帶來了質(zhì)的飛躍和重要轉(zhuǎn)型,重塑了高血壓治療的新路徑、新模式。數(shù)據(jù)科學(xué)、生物技術(shù)及數(shù)字技術(shù)的結(jié)合是人工智能處理大數(shù)據(jù)的基礎(chǔ);在傳統(tǒng)的高血壓危險因素基礎(chǔ)上,人工智能聯(lián)合基因組學(xué)、蛋白質(zhì)組學(xué)、代謝組學(xué)、人口學(xué)特征、社會經(jīng)濟學(xué)和表觀遺傳學(xué)等多變量因素,可為高血壓的精準(zhǔn)治療和個體化治療提供靶點。

人工智能產(chǎn)品與服務(wù)按功能主要分為監(jiān)測預(yù)警類、健康信息管理類和輔助康復(fù)類[3]。人工智能醫(yī)療設(shè)備可監(jiān)測血壓,以及心率、脈搏、步數(shù)、睡眠等相關(guān)指標(biāo),提高患者的血壓自我管理能力;各種慢病自我管理App采集和聚合用戶的健康信息,通過人工智能客服提供便捷、有效的健康管理支持;智能藥物、智能機器人等輔助康復(fù)類人工智能設(shè)備,可提醒患者用藥、計算剩余藥量、物理輔助患者康復(fù)等[3]。人工智能逐步推動高血壓等慢病管理從以醫(yī)療機構(gòu)為主體轉(zhuǎn)換到以個人、家庭為主體,并使患者逐漸適應(yīng)角色轉(zhuǎn)換,增強疾病自我管理意識與能力。本文就人工智能在高血壓領(lǐng)域中的應(yīng)用進行綜述。

1 人工智能建模用于高血壓預(yù)測

1.1 人工智能與高血壓初篩

憑借強大的數(shù)據(jù)處理能力,人工智能除了能代替臨床醫(yī)生處理大量煩瑣的數(shù)據(jù)、簡化高血壓篩查流程和提高高血壓知曉率以外,還能在傳統(tǒng)的高血壓危險因素基礎(chǔ)上聯(lián)合影像學(xué)、基因組學(xué)等多因素,構(gòu)建高血壓風(fēng)險預(yù)測模型,從而彌補臨床醫(yī)生診斷的局限性,提高高血壓的早期診斷率、降低漏診率。例如,通過人工智能進行視網(wǎng)膜眼底掃描,可及時發(fā)現(xiàn)高血壓、糖尿病等全身性慢病[4]。HUNG等[5]的兩項隊列研究共納入1386例高血壓患者,通過33個臨床特征構(gòu)建的邏輯回歸(logistic regression,LR)、隨機森林(random forest,RF)、極限梯度提升算法(extreme gradient boosting,XGBoost)和人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)模型,可有效地識別隱匿性高血壓和未控制的隱匿性高血壓,其中RF模型具有最佳的內(nèi)部和外部驗證結(jié)果(AUC=0.851、0.837;敏感性=1.000、1.000;特異性=0.609、0.580;陰性預(yù)測值=1.000、1.000;準(zhǔn)確率=0.766、0.721)。另一項納入801例患者的研究通過人工智能測得胸部CT掃描的胸主動脈內(nèi)徑和高血壓相關(guān)(AUC=0.73),尤其是和隱匿性高血壓顯著相關(guān)[6],據(jù)此能在一定程度上預(yù)測高血壓。機器學(xué)習(xí)聯(lián)合傳統(tǒng)高血壓危險因素和基因組學(xué)等,可構(gòu)建高效的高血壓風(fēng)險預(yù)測模型。PEI等[7]分析了1200例社區(qū)高血壓患者和健康人群的數(shù)據(jù),納入9個環(huán)境因子[身高、體重指數(shù)(body mass index,BMI)、性別、年齡、職業(yè)、吸煙史等]和12個基因遺傳因子,研究顯示,采用支持向量機(support vector machine,SVM)算法構(gòu)建的高性能預(yù)測模型,預(yù)測準(zhǔn)確率可達(dá)80.1%,敏感性為63.3%,特異性為86.7%,AUC值為0.886。國內(nèi)一項前瞻性研究納入農(nóng)村地區(qū)4592例無高血壓人群,采集飲食方式、BMI、身體活動等傳統(tǒng)因素和基因型位點數(shù)據(jù),每3年進行隨訪,發(fā)現(xiàn)通過機器學(xué)習(xí)并采用傳統(tǒng)危險因素聯(lián)合多基因風(fēng)險評分(polygenic risk score,PGGRS)分析模型,可提高高血壓患者初次診斷的效能[8]。ISLAM等[9]的大樣本研究中納入6965例成年人(≥35歲),使用最小絕對收縮選擇算子(least absolute shrinkage and selection operator,LASSO)和支持向量機遞歸特征消除(support vector machine recursive feature elimination,SVMRFE)方法預(yù)測高血壓的風(fēng)險因素,結(jié)果顯示依據(jù)LASSO方法中的年齡、BMI、財富指數(shù)、工作狀況和婚姻狀態(tài),以及SVMRFE方法中的年齡、BMI、婚姻狀態(tài)、糖尿病和地域風(fēng)險因素可預(yù)測高血壓。胡靜[10]使用英國生物樣本數(shù)據(jù)庫UK Biobank中的214867份數(shù)據(jù)樣本,采用基于前饋全連接網(wǎng)絡(luò)的ANN和輕量級梯度提升機器學(xué)習(xí)(light gradient boosting machine,LightGBM)方法,對高血壓進行預(yù)測,結(jié)果顯示用LightGBM方法預(yù)測的結(jié)果和ANN基本相近,準(zhǔn)確率高達(dá)0.8349,AUC值為0.9148,表明該方法具有較強的高血壓預(yù)測性能?；谌斯ぶ悄軐Ω哐獕旱念A(yù)測和早期診斷,有望提高高血壓的知曉率,并批量篩查出隱匿性高血壓患者,繼而改變?nèi)藗儗Ω哐獕毫餍胁W(xué)的認(rèn)識。

1.2 人工智能預(yù)測模型與傳統(tǒng)統(tǒng)計學(xué)方法的比較

絕大多數(shù)研究顯示,基于機器學(xué)習(xí)的高血壓風(fēng)險預(yù)測模型性能并不劣于傳統(tǒng)的統(tǒng)計學(xué)方法。NIMMALA等[11]對比了機器學(xué)習(xí)算法(決策樹、RF、樸素貝葉斯算法)和LR預(yù)測高血壓風(fēng)險的性能,結(jié)果發(fā)現(xiàn)RF算法的準(zhǔn)確率高于LR(87.5%vs.71.0%)?；跈C器學(xué)習(xí)算法構(gòu)建的預(yù)測模型可克服統(tǒng)計學(xué)方法的缺陷,同時其判別性能優(yōu)于傳統(tǒng)模型(LR或Cox回歸)[12-13]。然而,對此也有相反的研究結(jié)論:HEO等[14]納入8212例高血壓患者和健康人群的調(diào)查研究顯示,LR的預(yù)測性能優(yōu)于樸素貝葉斯算法和決策樹構(gòu)建模型。

2 人工智能用于血壓實時監(jiān)測、高血壓病因評估及其并發(fā)癥預(yù)測

2.1 人工智能用于血壓實時監(jiān)測

人工智能使血壓從點到線的實時監(jiān)測更為便捷,據(jù)此更容易了解患者的血壓類型和動態(tài)變化規(guī)律。KOSHIMIZU等[15]利用深度中樞網(wǎng)絡(luò)系統(tǒng),采集家庭和門診血壓來預(yù)測血壓的變異性和平均值,顯示出診室外準(zhǔn)確測量血壓對血壓分類的重要性。陳碩[16]采用機器學(xué)習(xí)支持向量回歸(support vector regression,SVR)方法構(gòu)建無創(chuàng)連續(xù)血壓監(jiān)測模型,進一步克服了傳統(tǒng)血壓間歇性測量的缺陷,將其實際應(yīng)用于無創(chuàng)血壓的連續(xù)監(jiān)測具有可行性。TAN等[17]通過可穿戴設(shè)備將收集到的脈搏波數(shù)據(jù)與預(yù)先建立的回歸模型相結(jié)合,基于深度學(xué)習(xí)的腕帶式血壓預(yù)測(blood pressure prediction wristband,BPPW)設(shè)備,使用人工智能算法Transformer預(yù)測血壓的誤差小于4 mmHg,并且BPPW設(shè)計巧妙、易于操作和佩戴,可長時間監(jiān)測血壓。國內(nèi)的一項研究結(jié)合脈搏特征參數(shù)和機器學(xué)習(xí)典型回歸模型,采用線性回歸、套索回歸、彈性網(wǎng)絡(luò)、K最近鄰和分類回歸樹5種算法,建立了人體血壓測量模型,可實現(xiàn)高精度的無創(chuàng)血壓測量;該研究利用循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建的基于用戶背景信息的雙向長短期記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory network-bilateral,LSTM-BI)血壓預(yù)測模型對人體血壓具有較高的預(yù)測性能[18]。LIN等[19]通過單點光電容積描記法(photoplethysmographic,PPG)信號,再經(jīng)ANN處理后輸出收縮壓、舒張壓和平均動脈壓,實現(xiàn)連續(xù)準(zhǔn)確的無創(chuàng)血壓監(jiān)測,具有快速、節(jié)能、內(nèi)存消耗低等特點。

2.2 人工智能用于高血壓病因評估

人工智能經(jīng)過訓(xùn)練和對大量數(shù)據(jù)集的學(xué)習(xí)后,在高血壓病因評估,尤其涉及繼發(fā)性高血壓復(fù)雜病因評估方面的性能更高,可彌補臨床醫(yī)生診斷的局限性。人工智能專家系統(tǒng)HEDDS推理算法可對高血壓的29種病因進行鑒別診斷,診斷符合率高達(dá)94.4%[20]。BUFFOLO等[21]的大樣本回顧性研究中納入4059例高血壓患者,通過臨床量化數(shù)值評分和基于機器學(xué)習(xí)構(gòu)建的模型可高效預(yù)測原發(fā)性醛固酮增多癥(primary aldosteronism,PA)患者,機器學(xué)習(xí)模型預(yù)測PA和單側(cè)PA的AUC值分別為0.834和0.905,敏感性分別為96.6%和100.0%。由此可見,使用臨床評分系統(tǒng)和機器學(xué)習(xí)可高效預(yù)測高血壓中的PA患者,減少了至少32.7%的篩查工作量,降低了不必要的醫(yī)療資源消耗。

2.3 人工智能用于高血壓并發(fā)癥預(yù)測

人工智能可構(gòu)建高血壓并發(fā)癥相關(guān)的預(yù)測模型,早期識別高血壓高危人群,從而做到早期干預(yù),改善高血壓患者的預(yù)后。機器學(xué)習(xí)可搭建高血壓并發(fā)癥腦卒中風(fēng)險預(yù)測模型,周潔[22]聯(lián)合肥胖指標(biāo)BMI、腰臀比(waist-hip ratio,WHR)及其他指標(biāo)建立的XGBoost腦卒中風(fēng)險預(yù)測模型具有優(yōu)越的預(yù)測性能,能夠早期識別高血壓高危個體。劉婷等[23]的研究納入1478例原發(fā)性高血壓(essential hypertension,EH)并發(fā)腦梗死患者,通過單因素分析構(gòu)建的LR、決策樹、RF和XGBoost模型預(yù)測EH并發(fā)腦梗死的AUC值均較高,其中XGBoost模型的綜合診斷效能最佳(AUC=0.808,95%CI0.804～0.811),提示血細(xì)胞比容、白蛋白、就診年齡、白細(xì)胞計數(shù)、膽堿酯酶和載脂蛋白A1可用于預(yù)測EH患者的腦梗死患病風(fēng)險。XU等[24]回顧性分析了270例高血壓腦出血患者,隨訪患者6個月后的CT影像學(xué)結(jié)果,發(fā)現(xiàn)以CT影像學(xué)結(jié)果為金標(biāo)準(zhǔn),利用機器學(xué)習(xí)構(gòu)建的腦出血預(yù)后預(yù)測模型具有一定的準(zhǔn)確性,其中RF模型和XGBoost模型的準(zhǔn)確率最高(分別為93.3%、89.1%),敏感性分別為93.3%、92.3%,特異性分別為92.5%、88.1%。龔軍[25]納入EH并發(fā)冠心病患者2487例和單純EH患者3904例,基于醫(yī)療數(shù)據(jù)(包括患者的一般信息、生命體征、既往病史和輔助檢查指標(biāo))與機器學(xué)習(xí)算法建立的RF、XGBoost、分類回歸樹、BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BPNN)、logistic診斷模型對EH并發(fā)冠心病有很好的輔助診斷功能,其中RF、XGBoost模型的AUC值達(dá)0.885和0.892,可輔助早期診斷。FAHMY等[26]的隊列研究中納入2732例高血壓心肌病患者,經(jīng)過5年隨訪,采用基于機器學(xué)習(xí)的LASSO算法構(gòu)建的風(fēng)險分層模型來預(yù)測患者發(fā)生心力衰竭的風(fēng)險因素,結(jié)果顯示通過性別、NYHA分級、高血壓心肌病類型(是否為梗阻性心肌病)、左心室壁厚度、左心室射血分?jǐn)?shù)、心力衰竭癥狀、合并癥(房顫、高血壓、二尖瓣關(guān)閉不全和收縮期前向運動)以及使用心臟相關(guān)藥物的類型,其可正確識別心力衰竭高危患者,準(zhǔn)確率為74%(95%CI0.70～0.78),敏感性為80%(95%CI0.77～0.83),特異性為72%(95%CI0.68～0.76)。

3 人工智能用于輔助高血壓治療決策

3.1 人工智能輔助醫(yī)生用藥決策

人工智能可提高高血壓治療的精準(zhǔn)性、實時性、高效性和患者依從性,輔助臨床醫(yī)生做出最優(yōu)治療決策?；谂R床決策支持系統(tǒng),并整合醫(yī)院信息系統(tǒng)、電子病歷系統(tǒng)和檢驗系統(tǒng)等,可建立藥品信息知識庫和訓(xùn)練集,經(jīng)推理、數(shù)據(jù)挖掘技術(shù)為高血壓患者的最優(yōu)用藥決策提供參考[27]。機器學(xué)習(xí)還可構(gòu)建藥物間相互作用,或是根據(jù)臨床信息對患者進行聚類分析,從而提供更精準(zhǔn)化的治療方案[28]。國內(nèi)一項研究納入148735例高血壓住院患者的相關(guān)資料,使用機器學(xué)習(xí)方法預(yù)測5種降壓藥物的療效,其建立的預(yù)測模型具有較高的敏感性,尤其是基于SVM算法構(gòu)建的非洛地平療效預(yù)測模型敏感性可達(dá)99%,其他藥物均在80%以上,在臨床用藥決策方面可發(fā)揮積極作用[29]。劉然[30]基于統(tǒng)計可視化和機器學(xué)習(xí)算法建立的藥物預(yù)測模型,可用來預(yù)測影響降壓方案實施效果的關(guān)鍵因素,采用機器學(xué)習(xí)構(gòu)建的藥物預(yù)測模型(其中RF模型和梯度提升樹的準(zhǔn)確率分別為75%、72.5%)可指導(dǎo)患者合理用藥并輔助醫(yī)生進行治療決策。DUAN等[31]把機器學(xué)習(xí)應(yīng)用于SPRINT研究,采用X線性方法分別計算強化降壓和標(biāo)準(zhǔn)降壓患者的治療獲益,結(jié)果顯示,治療獲益不完全與患者的基線心血管風(fēng)險成正比,而機器學(xué)習(xí)治療效果預(yù)測模型可用于對高血壓患者的治療方案進行校準(zhǔn)和優(yōu)化。

3.2 人工智能輔助健康監(jiān)護與管理

人工智能可實現(xiàn)對患者的血壓監(jiān)測和結(jié)果反饋,并提供相關(guān)治療指導(dǎo),在醫(yī)生和患者之間增加了另外一個醫(yī)療信任因素,有助于提高高血壓的治療率和控制率。通過可穿戴設(shè)備監(jiān)測患者的血壓、心率等生理健康指標(biāo),再從終端獲取數(shù)據(jù)并進行分析,實現(xiàn)對慢病患者的實時健康監(jiān)護[32];利用本體、決策樹和Jena推理引擎,還可構(gòu)建針對高血壓患者的慢病膳食推薦系統(tǒng)[33]。HUANG等[34]研究使用機器學(xué)習(xí)模型來預(yù)測青年高血壓患者在心肺運動測試指導(dǎo)下運動處方的療效,結(jié)果顯示在心肺運動測試運動階段的數(shù)據(jù)比其他階段具有更好的模型預(yù)測效能,對患者運動處方的指導(dǎo)價值也更高。喬秋婷[35]基于遺傳算法與樸素貝葉斯分類算法構(gòu)建了高血壓慢病風(fēng)險因素評估模型和輔助決策系統(tǒng),其包含患者端、醫(yī)生端和服務(wù)端,其中,患者端的監(jiān)測數(shù)據(jù)可定時傳輸?shù)椒?wù)端;服務(wù)端進行風(fēng)險因素提取、疾病診斷和風(fēng)險評估等計算,反饋到患者端和醫(yī)生端,并將體征數(shù)據(jù)傳輸?shù)结t(yī)生端;醫(yī)生端可及時給予建議并制定健康指導(dǎo)方案。同樣地,通過物聯(lián)網(wǎng)技術(shù)和語義網(wǎng)技術(shù)也能自動監(jiān)測慢病患者的健康狀況,并推薦相應(yīng)的飲食和藥物[36]。CHIANG等[37]利用家庭血壓監(jiān)測、可穿戴設(shè)備和特征性信息技術(shù)采集血壓升高或1級高血壓患者的血壓數(shù)據(jù),同時基于機器學(xué)習(xí)隨機效應(yīng)模型構(gòu)建個體化的血壓模型并識別相關(guān)生活方式影響因素,從而為患者改善不良生活方式提供指導(dǎo);結(jié)果發(fā)現(xiàn),指導(dǎo)組患者的收縮壓和舒張壓分別降低了3.8、2.3 mmHg,而非指導(dǎo)組分別降低了0.3、0.9 mmHg。該研究提示,使用可穿戴設(shè)備監(jiān)測和機器學(xué)習(xí)模型預(yù)測可給予精確化、個體化的生活方式建議和指導(dǎo),改善早期高血壓患者的血壓水平。可視化的機器人聊天架構(gòu)可以滿足患者對數(shù)據(jù)存儲、遠(yuǎn)程監(jiān)測和服藥提醒的需求[38-39]。采用Android平臺的高血壓監(jiān)測預(yù)警系統(tǒng)能分析與處理用戶多個時段的生理健康數(shù)據(jù),將血壓、心率異常值及時發(fā)送給用戶,實現(xiàn)了血壓和心率監(jiān)測、智能預(yù)警以及健康教育、健康指導(dǎo)等功能,為高血壓高危人群的防治前移提供了有力支持[40]?；谌斯ぶ悄艿穆」芾砟茌p松融入患者的生活,帶來良好的服務(wù)體驗,并有望成為家庭護理醫(yī)療的重要手段。

3.3 人工智能用于高血壓治療領(lǐng)域的展望

未來高血壓治療領(lǐng)域很可能發(fā)生質(zhì)的飛躍,借助納米技術(shù)、時間治療學(xué)和3D打印聯(lián)合技術(shù),降壓藥物能實現(xiàn)精確釋放,增強高血壓治療的精準(zhǔn)性、實時性、個體化[41]。人工智能電話隨訪可提高高血壓的治療依從性、知曉率,減輕臨床醫(yī)生的工作負(fù)擔(dān)、提高隨訪效率、提高醫(yī)療服務(wù)水平和改善服務(wù)體驗。應(yīng)用語音智能外呼系統(tǒng)開展批量化的社區(qū)高血壓患者健康管理、依從性和滿意度調(diào)查,并與慢病管理系統(tǒng)信息共享,能實現(xiàn)數(shù)字化管理,一方面可顯著提高家庭醫(yī)生的高血壓管理效率和治療規(guī)范性;另一方面,增強了患者的高血壓自我管理能力和治療依從性,實現(xiàn)了個體化治療,也增強了患者對家庭醫(yī)生服務(wù)的獲得感、滿意度和就醫(yī)黏性[42]。

4 小結(jié)

人工智能化大數(shù)據(jù)管理聯(lián)合基因組學(xué)、遺傳學(xué)、轉(zhuǎn)錄組學(xué)、蛋白質(zhì)組學(xué)和代謝組學(xué),實現(xiàn)了多來源、多層面、多元化、多類型、多格式海量健康醫(yī)療數(shù)據(jù)的融合和共享,打造高血壓深層數(shù)據(jù)挖掘分析平臺,將改變對EH病理生理機制和繼發(fā)性高血壓病因的認(rèn)識,加深對隱匿性高血壓的理解,改變現(xiàn)有的高血壓診斷模式,甚至影響目前對于高血壓流行病學(xué)的認(rèn)識。這有利于進一步研發(fā)精準(zhǔn)、可控的靶向藥物,構(gòu)建更加完善的高血壓臨床輔助決策工具,改變高血壓傳統(tǒng)用藥模式,真正向精準(zhǔn)醫(yī)學(xué)邁進。此外,還可以整合患者既往碎片化的臨床信息,建立高血壓人群完備的個人電子健康檔案,并以此為基礎(chǔ)構(gòu)建東方人群的高血壓醫(yī)學(xué)數(shù)字資源數(shù)據(jù)庫和信息資產(chǎn),對患者進行分層、分型和細(xì)化管理,動態(tài)實時評估治療效果,使用信息化技術(shù)進行批量隨訪和平臺交互,實現(xiàn)高血壓的云服務(wù)閉環(huán)管理。通過采取上述舉措,將節(jié)省大量醫(yī)療資源,降低醫(yī)療成本,優(yōu)化醫(yī)療資源的配置和利用。在此基礎(chǔ)上,建立有效的分級診療制度,突破地域限制,提高公共衛(wèi)生服務(wù)均等化效率,真正實現(xiàn)“以患者為中心”的管理模式,使高血壓診治水平實現(xiàn)質(zhì)的飛躍。

但是,人工智能評估高血壓的準(zhǔn)確性和輔助治療決策的有效性仍有待提高,需進一步加強大數(shù)據(jù)支持和相關(guān)研究,在不同文化程度、年齡層次的人群中使用不同的方法,同時提高患者的配合度和接受度,拓展多種場景下的人工智能應(yīng)用,增加人工智能標(biāo)準(zhǔn)化中心認(rèn)證,開展社區(qū)和全民教育,從而建立高血壓等多種慢病管理的新模式。人工智能聯(lián)合藥物基因組學(xué)無疑能使高血壓的個體化治療更為精準(zhǔn),但目前仍處于初步探索階段,面臨數(shù)據(jù)隱私、標(biāo)準(zhǔn)化、倫理、準(zhǔn)確性、監(jiān)管等方面的諸多挑戰(zhàn)。