人工智能在急性冠脈綜合征診療中的應(yīng)用

周樂(lè) 王玨 張尉華 佟倩 何柳 董建增 馬長(zhǎng)生

急性冠脈綜合征（acute coronary syndrome，ACS）是指冠狀動(dòng)脈（下稱冠脈）內(nèi)不穩(wěn)定的粥樣硬化斑塊破裂或糜爛繼發(fā)血栓形成所引起心臟急性缺血的一類病的總稱，致死率高[1]。盡管ACS 常危及生命，但若早期發(fā)現(xiàn)并及時(shí)處理，可以極大限度避免嚴(yán)重后果甚至挽救患者生命。機(jī)器學(xué)習(xí)作為人工智能的重要實(shí)現(xiàn)方式，通常可以分為3 類：監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)[2-3]。如今，深度學(xué)習(xí)在處理圖像數(shù)據(jù)方面表現(xiàn)突出，促使該方法廣泛應(yīng)用于心血管疾病診療技術(shù)研發(fā)，常見(jiàn)算法包括卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)[4]。人工智能通過(guò)算法處理多模態(tài)臨床大數(shù)據(jù)（包括患者門(mén)診或住院病歷，實(shí)驗(yàn)室檢查，靜態(tài)、動(dòng)態(tài)影像資料等），可捕獲數(shù)據(jù)之間的高維、非線性關(guān)系，有望提高對(duì)ACS 診斷、預(yù)警、不良事件預(yù)測(cè)的判別能力[5-7]。本文旨在對(duì)人工智能于ACS 的診斷、預(yù)警及預(yù)后評(píng)估中的應(yīng)用作一述評(píng)。

1 人工智能用于輔助診斷ACS

冠脈造影術(shù)是診斷冠心病的金標(biāo)準(zhǔn)，但由于其侵入性、輻射風(fēng)險(xiǎn)及高成本限制了其臨床應(yīng)用。然而，ACS 發(fā)病急、進(jìn)展快，若不能及時(shí)識(shí)別和治療往往預(yù)后較差，甚至發(fā)生猝死。

心肌肌鈣蛋白是發(fā)現(xiàn)心肌梗死最敏感的檢查指標(biāo)，但目前對(duì)所有患者均使用固定的肌鈣蛋白閾值，未考慮不同年齡、性別和癥狀出現(xiàn)時(shí)間的影響[8]。其次，肌鈣蛋白升高受限于時(shí)間因素，所以單靠肌鈣蛋白診斷心肌梗死會(huì)延誤甚至漏診急性心肌梗死的救治[9]。人工智能有望提高肌鈣蛋白診斷急性心肌梗死的靈敏度。Doudesis 等[7]在蘇格蘭地區(qū)2級(jí)、3 級(jí)醫(yī)院收集10 038 例可能發(fā)生心肌梗死的患者（48%為女性，中位年齡70 歲），將心肌肌鈣蛋白、年齡、性別、癥狀發(fā)作時(shí)間、胸痛、缺血性心臟病病史、高脂血癥、心率、收縮壓、Killip 分級(jí)、心電圖上的心肌缺血表現(xiàn)、腎功能和血紅蛋白等信息結(jié)合XGBoost 算法訓(xùn)練CoDE-ACS 模型，并在10 286 例來(lái)自6 個(gè)國(guó)家的7 項(xiàng)前瞻性研究患者（35%為女性）進(jìn)行外部驗(yàn)證，模型診斷心肌梗死的判別能力（AUC）達(dá)到0.95。

由于非ST 段抬高心肌梗死（non-ST-elevation myocardial infarction，NSTEMI）的心電圖改變輕微且短暫，在急診中診斷往往不明確。Bouzid 等[10]招募2 122 例院外胸痛的患者，采用隨機(jī)森林算法對(duì)179 項(xiàng)心電圖形態(tài)學(xué)特征進(jìn)行訓(xùn)練、交叉驗(yàn)證及測(cè)試以增加模型的診斷能力，該模型判別能力（AUC=0.83，靈敏度為0.75，特異度為0.95）優(yōu)于專家獨(dú)立診斷（AUC=0.80，靈敏度為0.61，特異度為0.93）。Wu 等[11]首先通過(guò)納入268 例患者（NSTEMI 47 例，不穩(wěn)定型心絞痛221 例）的特征利用logistic 回歸算法尋找潛在預(yù)測(cè)NSTEMI 的臨床特征，再將包括心肌酶、PR間期及QR 間期等在內(nèi)的潛在預(yù)測(cè)指標(biāo)納入人工神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練模型以區(qū)分NSTEMI 和不穩(wěn)定型心絞痛，該模型的AUC 及準(zhǔn)確度分別為0.98 和0.93。

縮短平均入院至球囊擴(kuò)張時(shí)間對(duì)于挽救急性心肌梗死患者至關(guān)重要。Gersh 等[12]研究表明，精準(zhǔn)識(shí)別急性心肌梗死并在入院后2～3 h 進(jìn)行擴(kuò)張冠脈治療，可顯著改善心肌存活率并降低病死率。Liu等[13]首先結(jié)合12 導(dǎo)聯(lián)心電圖開(kāi)發(fā)了基于深度學(xué)習(xí)的診斷模型，其診斷ST 段抬高心肌梗死（ST-elevation myocardial infarction，STEMI）的敏感度、特異度分別達(dá)到0.98 和0.97，AUC 值達(dá)0.98；診斷NSTEMI 的AUC 值可達(dá)0.88。在此基礎(chǔ)上，該團(tuán)隊(duì)開(kāi)發(fā)了用于ACS 報(bào)警的AI-S 系統(tǒng)（組成部分包括：胸痛癥狀，12 導(dǎo)聯(lián)心電圖及高敏肌鈣蛋白I），可在心電圖上傳的10 s 內(nèi)完成風(fēng)險(xiǎn)評(píng)分，并結(jié)合病史及心肌肌鈣蛋白I、心電圖變化實(shí)時(shí)更新評(píng)分，及時(shí)提醒臨床醫(yī)生關(guān)注ACS 高風(fēng)險(xiǎn)的患者[14]。此外，AI-S 系統(tǒng)可將發(fā)現(xiàn)異常心電圖至開(kāi)通冠脈的中位時(shí)間數(shù)從6.0 min 縮短至4.0 min（P＜0.01），入院至球囊擴(kuò)張時(shí)間從69 min 縮短至61 min。此項(xiàng)研究為一線醫(yī)生在臨床工作中提供了及時(shí)可靠的診斷決策及系統(tǒng)支持，幫助患者搶占治療時(shí)機(jī)從而改善預(yù)后，甚至挽救生命。

人工智能在鑒別診斷方面也表現(xiàn)出了強(qiáng)大的臨床輔助決策能力。應(yīng)激性心臟病是一種以左心室急性短暫性功能障礙為特征的綜合征，癥狀類似ACS，雖然無(wú)冠脈阻塞或急性斑塊破裂，但也會(huì)導(dǎo)致包括死亡在內(nèi)的嚴(yán)重不良后果[15]。研究表明，在疑似ACS 的住院患者中，約2%的患者會(huì)被診斷為應(yīng)激性心臟病[16]。Laumer 等[17]的研究納入了224 例應(yīng)激性心臟病患者（來(lái)自Inter-TAK 注冊(cè)中心）和224 例ACS 患者（來(lái)自Zurich-ACS 注冊(cè)中心）的經(jīng)胸超聲心動(dòng)圖，選取其中228 例患者的心臟超聲用于訓(xùn)練基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模型，其余220 例患者用于驗(yàn)證模型，結(jié)果顯示深度學(xué)習(xí)模型的鑒別能力（AUC）超過(guò)專家水平（0.79 比0.71）。

2 人工智能用于ACS 預(yù)警

人工智能可輔助臨床醫(yī)生早期識(shí)別患者病癥并做出及時(shí)治療干預(yù)[2，20]。人工智能算法不僅在ACS診斷方面表現(xiàn)優(yōu)秀，在預(yù)警ACS 的臨床場(chǎng)景也有很大潛力。有學(xué)者利用EMPIRE 隊(duì)列的1 244 例潛在心肌急性缺血患者的院前心電圖（首次醫(yī)療接觸），融合邏輯回歸、梯度提升機(jī)和人工神經(jīng)網(wǎng)絡(luò)3 種算法訓(xùn)練出一款預(yù)警30 d 內(nèi)急性心肌梗死的機(jī)器學(xué)習(xí)預(yù)測(cè)模型，該模型的AUC 為0.82，顯著高于經(jīng)驗(yàn)豐富的臨床醫(yī)生（AUC=0.67）和心電圖自動(dòng)判讀系統(tǒng)（AUC=0.62）[21]。

院內(nèi)檢驗(yàn)指標(biāo)及檢查結(jié)果結(jié)合人工智能算法對(duì)預(yù)測(cè)急性心肌梗死也表現(xiàn)出較好的性能。Than等[22]納入11 011 例可疑心肌梗死患者，并進(jìn)行連續(xù)的心肌肌鈣蛋白監(jiān)測(cè)，排除就診時(shí)即確診STEMI 的患者。該研究利用此部分患者的臨床特征（包括年齡、性別、匹配的心肌肌鈣蛋白I 以及心肌肌鈣蛋白水平改變率）結(jié)合梯度提升算法訓(xùn)練機(jī)器學(xué)習(xí)模型-MI3，在測(cè)試集中該模型預(yù)警3 h 內(nèi)的急性心肌梗死AUC 達(dá)0.96。此研究表明機(jī)器學(xué)習(xí)模型可能對(duì)心肌梗死進(jìn)行個(gè)體化及客觀化評(píng)估，并用于識(shí)別早期臨床決策中受益的患者。此外，在急診診療中融合機(jī)器學(xué)習(xí)算法預(yù)測(cè)ACS 也可減少漏診。Emakhu 等[23]利用31 228 例急診患者的臨床特征（包括收縮壓、腦鈉肽、心率等11 種特征）通過(guò)Adaptive Boosting、Radient Boosting 和XG-boost 融合訓(xùn)練出預(yù)測(cè)早期ACS 的模型，其中80%的患者納入訓(xùn)練集，20%的患者納入測(cè)試集，此模型的靈敏度及AUC 高達(dá)0.86和0.93。

機(jī)器學(xué)習(xí)在心肌梗死事件長(zhǎng)期預(yù)測(cè)方面也體現(xiàn)出優(yōu)勢(shì)。以往，冠脈鈣化風(fēng)險(xiǎn)評(píng)分常用于預(yù)測(cè)心血管疾病發(fā)病風(fēng)險(xiǎn)[24]，而器械學(xué)習(xí)技術(shù)結(jié)合心外膜組織等與心血管風(fēng)險(xiǎn)相關(guān)的臨床數(shù)據(jù)使得心肌梗死預(yù)測(cè)的準(zhǔn)確度進(jìn)一步提高[25]。Commandeur 等[26]從長(zhǎng)期隨訪的EISNER 隊(duì)列中招募了1 912 例無(wú)胸痛等心肌缺血癥狀的患者，使用全自動(dòng)多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)對(duì)心外膜脂肪組織信息進(jìn)行特征提取，結(jié)合XG-boost 算法及十折交叉驗(yàn)證的方法來(lái)構(gòu)建15 年內(nèi)心肌梗死或心源性死亡的預(yù)測(cè)模型，其預(yù)測(cè)能力優(yōu)于動(dòng)脈粥樣硬化性心血管疾病風(fēng)險(xiǎn)評(píng)分及冠脈鈣化風(fēng)險(xiǎn)評(píng)分（AUC=0.82、0.77、0.77，P＜0.05）。

3 人工智能用于ACS 患者預(yù)后評(píng)價(jià)

盡管ACS 患者的治療在近些年來(lái)取得了進(jìn)展，但ACS 術(shù)后的主要不良心血管事件（major adverse cardiovascular events，MACE）的發(fā)生率仍較高。GRACE是通過(guò)一項(xiàng)前瞻性、國(guó)際多中心的ACS 事件注冊(cè)研究建立的風(fēng)險(xiǎn)評(píng)分，用于預(yù)測(cè)ACS 死亡風(fēng)險(xiǎn)，近些年來(lái)也被用于預(yù)測(cè)ACS 患者短期預(yù)后[27]。Weichwald等[5]開(kāi)發(fā)了一項(xiàng)基于多變量線性算法的人工智能模型——“SPUM-ACS”評(píng)分系統(tǒng)，該評(píng)分系統(tǒng)納入的變量有：年齡、血糖、氨基末端腦鈉肽前體、左心室射血分?jǐn)?shù)、Killip 分級(jí)、周圍血管病病史、惡性腫瘤以及心肺復(fù)蘇史，該評(píng)分系統(tǒng)預(yù)測(cè)急性心肌梗死1年后死亡率的效能（AUC）優(yōu)于GRACE 2.0（0.86 比0.81）。此外，Wallert 等[28]使用大型多中心注冊(cè)研究結(jié)合瑞典國(guó)家死亡注冊(cè)中心數(shù)據(jù)預(yù)測(cè)首次心肌梗死后2 年生存率，在超過(guò)50 000 人的數(shù)據(jù)集中驗(yàn)證該模型的AUC 為0.77。

Motwani 等[29]從國(guó)際性多中心的注冊(cè)研究中招募了10 030 例疑似冠心病患者，通過(guò)算法篩選出44 個(gè)臨床特征及10 個(gè)冠脈計(jì)算機(jī)掃描血管造影參數(shù)，再通過(guò)Logit-Boost 算法訓(xùn)練全因死亡預(yù)測(cè)模型，采用分層十折交叉驗(yàn)證，該模型預(yù)測(cè)能力超過(guò)弗明翰風(fēng)險(xiǎn)評(píng)分、節(jié)段狹窄評(píng)分、節(jié)段受累評(píng)分以及改良杜克指數(shù)（AUC=0.79、0.61、0.64、0.64、0.62；P＜0.01）。

機(jī)器學(xué)習(xí)模型不僅對(duì)于ACS 長(zhǎng)期預(yù)后有著較精準(zhǔn)的預(yù)測(cè)能力，對(duì)于預(yù)測(cè)ACS 院內(nèi)死亡率也有較好的準(zhǔn)確度。Pieszko 等[30]收集6 769 例入院患者的炎癥指標(biāo)及臨床特征，利用邏輯回歸加上XG-boost算法預(yù)測(cè)院內(nèi)死亡率，其靈敏度可達(dá)0.81，特異度達(dá)0.81。如果將這類算法用于臨床工作當(dāng)中，則有望通過(guò)增強(qiáng)對(duì)高危急性心肌梗死院內(nèi)的監(jiān)護(hù)而減少死亡。

ACS 術(shù)后缺血及出血仍是臨床常見(jiàn)問(wèn)題，但目前尚缺乏個(gè)體化管理，人工智能有望實(shí)現(xiàn)此部分患者分層管理。D'ascenzo 等[31]從Blee-MACS 和RENAMI 研究中招募了19 826 例ACS 的患者（80%分配至訓(xùn)練數(shù)據(jù)集；20%分配至內(nèi)部測(cè)試數(shù)據(jù)集），并選取3 444 例作為外部驗(yàn)證集，采用機(jī)器學(xué)習(xí)方法訓(xùn)練PRAISE 模型，用于預(yù)測(cè)ACS 術(shù)后1 年內(nèi)的全因死亡、急性心肌梗死復(fù)發(fā)及大出血風(fēng)險(xiǎn)。PRAISE模型在內(nèi)部驗(yàn)證數(shù)據(jù)集預(yù)測(cè)全因死亡、急性心肌梗死復(fù)發(fā)及大出血的AUC 分別達(dá)到0.82、0.92 及0.74，在外部驗(yàn)證數(shù)據(jù)集達(dá)到0.92，0.81 及0.86。然而，該模型放到亞洲人群中驗(yàn)證僅在1 年死亡風(fēng)險(xiǎn)預(yù)測(cè)中表現(xiàn)優(yōu)于GRACE 評(píng)分[32]，提示了用于訓(xùn)練模型數(shù)據(jù)的代表性會(huì)影響到模型的泛化能力。

另一項(xiàng)基于亞洲人的研究納入2 174 例ACS的患者，基于隨機(jī)森林算法訓(xùn)練了預(yù)測(cè)ACS 長(zhǎng)期死亡率的模型[6]。在內(nèi)部驗(yàn)證中，該模型納入影響ACS患者預(yù)后的因素，包括：年齡、肌酐、血紅蛋白、血小板、天冬氨酸轉(zhuǎn)氨酶及左心室射血分?jǐn)?shù)，該模型的AUC 為0.77，高于GRACE 評(píng)分（AUC=0.70）。

即使機(jī)器學(xué)習(xí)在預(yù)測(cè)ACS 患者的MACE 和死亡率結(jié)局具有較好的準(zhǔn)確度，但是這些方法還需要進(jìn)一步通過(guò)臨床試驗(yàn)來(lái)證實(shí)它們?cè)谥笇?dǎo)患者診療過(guò)程中的有效性，從而真正應(yīng)用于臨床實(shí)踐。

4 人工智能的局限性

人工智能在ACS 的診斷、預(yù)警預(yù)測(cè)、預(yù)后評(píng)價(jià)等方面具有較大優(yōu)勢(shì)，但目前仍存在應(yīng)用的局限性：（1）目前依賴人工智能的ACS 的預(yù)警、診斷的資料均來(lái)源于院內(nèi)數(shù)據(jù)（如檢驗(yàn)及檢查），未能真正地實(shí)現(xiàn)院前診斷與識(shí)別；（2）由于人工智能所涉及深度學(xué)習(xí)方法的不可解釋性，仍需要進(jìn)一步通過(guò)臨床試驗(yàn)來(lái)證實(shí)其有效性和安全性之后才能應(yīng)用于人群；（3）受限于模型訓(xùn)練數(shù)據(jù)集的代表性，模型在外推到其他人群時(shí)的泛化能力往往不太理想[33]；（4）需要進(jìn)一步的研究來(lái)確定人工智能在輔助診斷中的成本效益，并估計(jì)其對(duì)臨床實(shí)踐的影響[34]。

5 小結(jié)

人工智能在ACS 的診斷、預(yù)警及預(yù)測(cè)、預(yù)后評(píng)價(jià)方面表現(xiàn)出了優(yōu)越的判別能力，超越了傳統(tǒng)統(tǒng)計(jì)模型和危險(xiǎn)評(píng)分，再結(jié)合進(jìn)一步有效性及安全性的評(píng)價(jià)，人工智能診療工具未來(lái)在臨床實(shí)踐中的應(yīng)用空間巨大。人工智能的應(yīng)用場(chǎng)景也將不在局限于醫(yī)療場(chǎng)所內(nèi)，隨著互聯(lián)網(wǎng)、智能可穿戴醫(yī)療設(shè)備的蓬勃發(fā)展，患者在診療后、出院后也可以遠(yuǎn)程接受醫(yī)療照護(hù)，人工智能可以在遠(yuǎn)程場(chǎng)景中從提高服務(wù)效率、提升醫(yī)療質(zhì)量?jī)蓚€(gè)方面提供助力，不僅能促進(jìn)醫(yī)療資源的合理分配，還能及時(shí)有效改善患者預(yù)后。