人工智能在心血管健康管理中的應用現(xiàn)狀

王 琨，李 明，張曉波，夏藝萍，趙沛?zhèn)?，段應?/p>

（解放軍第96602 部隊醫(yī)院，昆明 650051）

0 引言

目前，心血管疾病仍居全球致死性疾病首位，根據(jù)2021 年《中國心血管健康與疾病報告》，我國心血管疾病患病率及病死率仍持續(xù)上升，推算現(xiàn)患心血管疾病人數(shù)為3.3 億[1]，給社會和個人帶來沉重的疾病負擔和經(jīng)濟負擔。盡管針對心血管疾病風險的評估及預測，個體化控制危險因素是目前最為有效的防治策略，也是一級預防的基礎，但由于心血管疾病發(fā)病機制具有復雜性和異質(zhì)性，涉及因素廣泛且具有交互作用，基于傳統(tǒng)致病因子的線性風險評估模型難免導致許多存在心血管風險的人未被正確識別而得不到及時有效的干預。同樣，早期篩查、個體化臨床決策、健康咨詢與宣教等重要環(huán)節(jié)的局限性也不同程度制約著心血管健康管理水平。因此，研究如何提高心血管健康管理水平是實施健康中國戰(zhàn)略的重要方向，人工智能（artificial intelligence，AI）快速向醫(yī)療行業(yè)滲透融合，并在心血管領域的運用研究初顯成效，為心血管領域提供了變革性突破的契機，有望成為進一步提高心血管健康管理水平的有力抓手。本文就AI 在風險預測、早期篩查、臨床決策支持、健康咨詢與宣教等心血管健康管理關鍵環(huán)節(jié)的應用現(xiàn)狀進行綜述。

1 數(shù)字化醫(yī)療與AI

在新型健康管理過程中產(chǎn)生的健康大數(shù)據(jù)和臨床大數(shù)據(jù)推動了醫(yī)療進入數(shù)字化時代，這些大數(shù)據(jù)的復雜交錯程度遠超人類的識別處理能力，而AI 正好可以彌補這一局限，“AI+醫(yī)學”被認為是未來醫(yī)療的熱點。以機器學習為代表的AI 技術能夠從整體視角整合各類數(shù)據(jù)，模擬人類思維過程，運用復雜的算法，挖掘出隱含的規(guī)律并進行自我學習，從而快速、高效地提供有價值的診療信息[2-3]。根據(jù)處理變量是否人為標記以及算法的不同，機器學習可以分為有監(jiān)督學習、無監(jiān)督學習以及深度學習。其中，有監(jiān)督學習包括支持向量機、隨機森林、人工神經(jīng)網(wǎng)絡，常用于構建風險預測模型；無監(jiān)督學習主要通過聚類或降維實現(xiàn)疾病亞型聚類或發(fā)現(xiàn)疾病新機制；深度學習以卷積神經(jīng)網(wǎng)絡為代表，主要用于圖像分割及測量[4]。

2 AI 在風險預測中的應用

心血管疾病的發(fā)生往往是遺傳、環(huán)境、生活方式和社會心理等多種因素共同作用的結果?，F(xiàn)階段臨床廣泛使用的心血管風險預測工具均是基于Cox 回歸模型建立的，包括Framingham 風險評分、Grace 冠心病危險程度評分以及2019 年《中國心血管風險評估和管理指南》推薦的適合國人10 年心血管病發(fā)病風險預測的China-PAR 模型[5-6]。然而，Cox 回歸模型在處理非線性數(shù)據(jù)及因素間交互作用上有明顯的局限性，致使臨床收效差強人意。研究顯示，在輸入相同危險因素的情況下，基于機器人學習的風險計算體系較傳統(tǒng)的風險評估模型具有更高的敏感度和特異度[7]。一項納入378 256 例患者的前瞻性隊列研究，利用電子病歷中的常規(guī)臨床數(shù)據(jù)，應用Logistic 回歸、人工神經(jīng)網(wǎng)絡、隨機森林以及梯度提升分別構建模型預測大規(guī)模人群10 年心血管病發(fā)病風險，結果4 種機器學習算法的預測準確率（74.5%～76.4%）均高于美國心臟病協(xié)會/美國心臟協(xié)會（American College of Cardiology/American Heart Association，ACC/AHA）指南預測模型（72.8%）[8]。

除常規(guī)臨床數(shù)據(jù)外，學者們在挖掘非直觀數(shù)據(jù)中隱含的信息方面也做了許多有益嘗試。例如在影像組學數(shù)據(jù)方面，哈佛大學學者通過深度卷積神經(jīng)網(wǎng)絡以20 084 例樣本確立了CT 冠狀動脈鈣化自動量化評分，可作為一個心血管事件的有力預測指標（校正后風險比為4.3）[9]。一項國際多中心研究納入了10 300 例疑似冠心病患者，整合25 項臨床參數(shù)及44項冠狀動脈CT 血管造影圖像參數(shù)，利用深度學習Boosting 集合算法預測5 年全因死亡率，結果此機器學習風險預測模型效果明顯優(yōu)于Framingham風險評分等傳統(tǒng)評估方法[10]。最近報道的2 項突破性研究顯示，通過深度學習視網(wǎng)膜血管掃描圖像，結合少量個人基本醫(yī)學參數(shù)，研究人員建立了一個高效、非侵入性的心血管風險預測模型[11-12]。此外，中國學者鄭哲利用卷積神經(jīng)網(wǎng)絡建立基于面部圖像的冠心病預測模型，其準確率也顯著高于傳統(tǒng)模型[13]。在高通量蛋白質(zhì)組學方面，有研究構建了機器學習（XGboost 算法）驅(qū)動的多蛋白心血管疾病二級預防風險模型，包括基于50 個靶蛋白的心血管事件復發(fā)風險預測模型[14]以及基于92 種蛋白的全因死亡率評估模型系統(tǒng)[15]，準確率均優(yōu)于經(jīng)典的臨床風險預測模型。在轉(zhuǎn)錄組學方面，SCOTHEART 研究提出了一種AI 衍生的新生物標記物，即血管周圍脂肪組織放射性轉(zhuǎn)錄組學特征，能夠反映組織炎癥、纖維化、血管新生相關基因的表達水平，以此指標建立的機器學習模型能夠至少提前5 年預測心血管事件發(fā)生風險（準確率為88%），顯著提高了心臟風險預測能力[16]。

盡管AI 在風險預測方面從不同角度進行了許多有益嘗試，但預測的準確性以及模型的可靠性、穩(wěn)定性仍需更多的研究來證實。另外，人體的復雜性及動態(tài)性決定了單一指標預測效率的局限性，未來，整合常規(guī)健康體檢數(shù)據(jù)，將風險預測算法嵌入體檢系統(tǒng)，對心血管風險進行常規(guī)預測并給出綜合建議，可能更有利于臨床推廣。

3 AI 在早期篩查中的應用

3.1 心臟瓣膜病早期篩查

早篩查、早干預是心血管健康管理的重要手段，AI 在助力心血管疾病早期篩查方面也取得了可喜的進步。研究顯示，基于AI 的機器學習模型使快速、無創(chuàng)的常規(guī)心電圖（electrocardiogram，ECG）成為心血管疾病篩查的可靠生物標記[17]。2019 年Lancet 發(fā)表的一項基于180 922 例患者的649 931 張正常竇性ECG 的回顧性研究利用卷積神經(jīng)網(wǎng)絡建立AIECG 模型，能夠從正常竇性心律中篩查識別出隱藏的房顫患者，準確率達83%[17]。瓣膜性心臟病具有發(fā)病率高而預后差的特點，許多患者尚未得到明確診斷。研究顯示，基于77 163 例患者開發(fā)的ValveNet深度學習模型能夠準確篩查出主動脈瓣狹窄、主動脈瓣反流及二尖瓣反流3 種疾病中任意一種或聯(lián)合存在，為未來大規(guī)模篩查瓣膜性心臟病奠定了基礎[18]。同樣，AI-ECG 模型在篩查左心室收縮功能障礙、肥厚型心肌病方面的探索也取得了預期的結果[19-20]。

在影像學方面，有學者基于主動脈CT 血管造影圖像建立了兩步卷積神經(jīng)網(wǎng)絡分層模型，能夠準確識別出主動脈夾層并進行Stanford 分型，為實現(xiàn)臨床早期、快速篩查主動脈夾層提供了新方法[21]。此外，由于對主動脈瓣狹窄的評估高度依賴超聲心動圖，約半數(shù)以上的嚴重主動脈瓣狹窄患者被漏診。在2022年歐洲心臟病協(xié)會（European Society of Cardiology，ESC）年會上Geoffrey Strange 公布的AI-Enhanced研究顯示，利用澳大利亞國家超聲數(shù)據(jù)庫中的107 萬余份超聲心動圖參數(shù)，開發(fā)了人工智能決策支持算法（artificial intelligence decision support algorithm，AIDSA），此算法除了能夠識別出現(xiàn)行指南定義的全部主動脈瓣狹窄高風險患者外，還可以篩查出指南定義可能遺漏的高?；颊?，這部分患者可因此得到進一步評估和及時的干預，以降低遠期死亡風險[22]。鑒于主動脈瓣狹窄的發(fā)病率不斷上升及其對病死率的影響，這項大型臨床研究提出的算法能夠更為高效地識別出重度主動脈瓣狹窄，具有在臨床推廣應用的潛力。但研究存在訓練數(shù)據(jù)未納入癥狀、合并癥、用藥數(shù)據(jù)的局限性，同時該研究為回顧性研究，需要進一步行前瞻性研究，以確定主動脈瓣置換術能否改善被此算法額外識別出的重度主動脈瓣狹窄患者的生存及生活質(zhì)量。

3.2 AI 在智能可穿戴設備與房顫篩查中的應用

心血管疾病往往具有突發(fā)性和難以預知性，而智能可穿戴設備能夠打破時空限制、實時監(jiān)測生理指標，其在心血管健康管理中的運用實踐是當前關注的熱點。如何從高危人群中高效篩查出無癥狀房顫患者并提高其治療依從性是目前房顫管理面臨的重要瓶頸。多項國內(nèi)外研究表明，基于光電容積掃描（photoplethysmography，PPG）技術的手腕佩戴設備（手表/手環(huán)）有助于從大規(guī)模人群中識別出未經(jīng)診斷的房顫患者，可作為房顫高危人群日常監(jiān)測的有效手段[23-25]。在此基礎上，解放軍總醫(yī)院陳韻岱團隊基于PPG 技術，使用華為移動設備，結合房顫指南推薦的ABC 整合管理路徑，建立了移動技術支持的房顫管理平臺（mobile atrial fibrillation application，mAFA），如圖1 所示[26]。其中，“A”指抗凝/避免卒中（anticoagulation/avoid stroke），“B”指更好的癥狀管理（better symptom management），“C”指心血管和共病的優(yōu)化（cardiovascular and comorbidity optimization）。mAFA 可從早期篩查到長期的ABC 策略實時跟蹤干預，實現(xiàn)房顫一體化、全周期結構化管理。自發(fā)布之日起7 個月內(nèi)，約18 萬人使用了該平臺，并至少連續(xù)佩戴華為移動設備14 d 監(jiān)測心律，篩查出的疑似房顫人群通過該平臺對接協(xié)作的醫(yī)院進行確診，其中，95.1%確診患者得到房顫綜合管理，80%房顫高危人群獲得抗凝管理[26]。隨機對照研究顯示，與常規(guī)模式相比，mAFA 綜合管理不僅有利于房顫的早期篩查診斷，還能更好地進行癥狀管理，顯著降低了房顫再入院率和卒中等臨床不良事件發(fā)生風險[26-27]。

圖1 移動技術支持的房顫整合管理模式（mAFA）[26]

此外，學者們也在研究能夠?qū)崟r動態(tài)監(jiān)測心率、血壓以及生物標志物等重要生理指標的智能可穿戴設備，以期改善包括預警提醒、干預評估、康復指導的心血管疾病健康管理全過程以及日常基本保健[28-29]。

隨著技術的進步和算法的優(yōu)化，智能可穿戴設備在房顫的早期篩查以及確診患者的管理上能夠發(fā)揮重要作用。但不可否認使用智能可穿戴設備的人群以年輕者居多，而年輕者發(fā)生房顫風險相對較低，因此，基于成本效益的年齡、危險因素篩查策略需要更多的循證學證據(jù)支持。另一方面，假陽性結果可能引發(fā)使用者的過度關注，導致焦慮及相關的軀體癥狀，因此完善的后臺服務體系也同等重要。

4 AI 在臨床決策支持中的應用

4.1 手術決策支持

盡管安全性、可靠性及倫理性等真實環(huán)境諸多苛刻要求限制了AI 臨床決策支持的快速發(fā)展，但其可預見的運用潛力仍驅(qū)動著科學家們積極探索，在心血管領域已初見成效。2019 年Cook 等[30]在JACC：Cardiovascular Interventions 上發(fā)表的一項研究顯示，AI 算法可幫助制訂經(jīng)皮冠狀動脈介入治療（percutaneous coronary intervention，PCI）策略。在該研究中，15 名介入專家組成的專家組和機器學習模型分別對穩(wěn)定性冠心病的1 008 例瞬時無波比（instantaneous wave-free ratio，iFR）回撤曲線數(shù)據(jù)進行分析，機器學習模型與專家組在PCI 適應證及治療策略推薦方面表現(xiàn)相當，但機器學習模型表現(xiàn)出更好的可重復性和電子漂移識別能力，最大程度減少了誤診和漏診。目前心力衰竭患者心臟再同步化治療（cardiac resynchronization therapy，CRT）無應答率仍居高不下，Tokodi 等[31]學者對1 510 例患者的回顧性數(shù)據(jù)進行訓練，構建的基于隨機森林法的SEMMELWEIS-CRT評分模型能夠很好地預測CRT 反應性，從而幫助篩選CRT 植入最佳候選者。

4.2 藥物決策支持

在藥物治療方面，對于心臟瓣膜置換的患者，華法林是指南推薦的抗凝藥物，但華法林狹窄的治療窗口使得患者需要個體化的劑量。研究顯示，利用反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡模型可有效預測華法林維持劑量，從而為臨床醫(yī)師調(diào)整劑量提供參考[32]。另一項研究利用機器學習算法對2 個高血壓治療的大型臨床試驗（SPRINT 研究、ACCORD-BP研究）數(shù)據(jù)重新分析，能夠快捷有效辨別出應接受強化降壓治療或標準治療的個體[33]。此外，2019 年公布的孟德爾隨機化研究表明，與晚年開始降低低密度脂蛋白膽固醇（low density lipoprotein-cholesterol，LDL-C）和收縮壓（systolic blood pressure，SBP）相比，終身接觸較低的LDL-C 和SBP 發(fā)生心血管事件風險更低[34]，而傳統(tǒng)的風險評估算法偏向于預防，低估了降低LDL-C 和SBP 的益處，可能導致保守的推薦建議。在2022 年ESC 年會上報道的因果人工智能（Causal AI）研究，通過AI 算法將LDL-C 和SBP 的因果效應嵌入風險評估算法，顯著提高了心血管風險和獲益評估的有效性，而且可準確估計從任何年齡開始并持續(xù)降低LDL-C、SBP 或兩者的益處[35]。目前看來，這項研究可為個體化精準干預LDL-C、SBP 提供了決策性幫助，包括干預的最佳時機、強度以及持續(xù)時間，然而此算法僅比較了英國學會聯(lián)合會（Joint British Societies，JBS）發(fā)布的風險評估算法JBS3，F(xiàn)ramingham 風險評估以及China-PAR 風險模型仍需進一步比較。另外，在基于此算法的運用程序臨床推廣之前，還需要前瞻性地驗證此算法的個體化決策是否能真正降低心血管疾病風險。

5 人工智能在健康咨詢與宣教中的應用

在數(shù)字健康時代，通過互聯(lián)網(wǎng)搜索引擎進行信息檢索已無法滿足人們對高質(zhì)量健康咨詢與宣教的需要。近期備受關注的一款AI 聊天機器人——ChatGPT 可能給健康咨詢與宣教領域帶來革命性突破。

ChatGPT 是由美國OpenAI 公司公開發(fā)布的大型語言模型，可通過理解輸入語言文本需求，搜索并深度學習網(wǎng)絡大數(shù)據(jù)，自動提煉有用信息歸納生成語言交流文本，像人類一樣交流、回答問題，是一種理想的人機交互接口工具。盡管ChatGPT 并沒有針對醫(yī)療保健行業(yè)進行特別訓練，但其表現(xiàn)幾乎達到美國執(zhí)業(yè)醫(yī)師考試通過水平。在2023 年JAMA 發(fā)表的一項試驗中，根據(jù)現(xiàn)行指南對心血管疾病三級預防保健的建議，設立了涉及疾病預防概念、檢查結果及用藥咨詢等25 個具體問題，ChatGPT 回答合理概率為84%（21/25），這表明ChatGPT 已具備一定的與患者進行心血管疾病防治問題互動溝通的能力，具有輔助臨床工作的潛力[36]。但尚存諸多問題需要解決，首先，心血管疾病防治涉及廣泛，25 個問題不能囊括所有且有4 個問題回答不正確，甚至是有害的，這在嚴肅的醫(yī)療過程中不被容許。其次，近期的一項系統(tǒng)綜述顯示，96.7%（58/60）的記錄表達了對使用ChatGPT 的擔憂，包括倫理及法律問題、無法提供信息來源、無法保證信息的準確性和時效性等[37]。因此，ChatGPT 只能作為在線醫(yī)生的參考，人工核驗步驟必不可少。未來，專門訓練的移動健康運用程序?qū)⒁浴爸磲t(yī)生”的形式幫助在線醫(yī)生擬訂話術，快速生成文本信息，既能滿足全天候醫(yī)療保健需求，又能提高醫(yī)生工作效率。

6 結語

AI 在風險預測、早期篩查、臨床決策支持、健康咨詢與宣教等方面的研究應用已取得一定的進展。但不可否認，AI 到廣泛被臨床實踐應用還有相當?shù)木嚯x。首先，AI 作為臨床診療輔助工具的倫理定位問題，目前的研究大多基于回顧性數(shù)據(jù)，需要更多的前瞻性、多中心隨機雙盲對照研究來解決其安全性和可信性。其次，目前我國醫(yī)療數(shù)據(jù)比較混亂，需要建立一個統(tǒng)一標準、互相共享的心血管臨床大數(shù)據(jù)系統(tǒng)以奠定基礎。最后，現(xiàn)有研究多基于單個環(huán)節(jié)或解決單一技術問題，需要計算機專家和臨床醫(yī)生密切合作，充分嵌入臨床診療路徑，建立整合管理平臺，以助力實施心血管健康全過程、個體化、精準管理。