人工智能助力心血管健康管理

人工智能助力心血管健康管理《中国心血管健康与疾病报告2022》显示，我国心血管疾病人数已达3.3亿，每5例死亡中就有2例死于心血管疾病[1]。我国正面临人口老龄化和代机技术的突飞猛进有助于实现机器学习算法的进步[2],特别是模仿人类大脑功能的深度学习的出现，大大促进了AI系统在心血管风险预测、心血管影像等督管理局(foodanddrugadministration,FDA)批准的电图诊断和预测能力，可进行患者分层[4]。Somani等[5]训练了一个34层的深度神经网络(deepneuralnetworks,DNN和分类12种不同类型的心律失常，与心脏病专家认证委员会注释的记录数据集颤发生风险的准确度达80%;预测肥厚性心肌病的准确率达90%;还可预测主动脉瓣狭窄人群在未来15年进展为中重度主动脉狭窄的风险[6]。用的数字心电数据和深度学习算法为大幅提高自动心电分析的准确性和可扩展性提供了机会。Hughes等[7]利用2003—2018年病例库中365009例成人的心Adedinsewo等[8]利用梅奥1994—2017年的电子数据库，试图使用基于AI的DNN深度学习方法，仅通过心电图诊断无症状左心室功能障碍，根据44959例无症状患者的数据(包括12导联心电图和左心室射血分数等超声心动图数据)检测无症状左心室功能障碍，预测心衰加重的风险。该网3%,特异度为85.7%,准确率为85.7%,其效果甚至优于目前心衰指南推荐的血Hannun等[9]利用来自53549例患者的91232张单导联心电图对12个节临床中可应用这种AI方法准确分诊或优先处理最紧急情况，以减少误差，提高应商无关的托管和数据聚合平台，具有集成的AI引擎功能，可更好地提供健康移动健康是AI用于医疗的一个子领域，其特点是使用移动和无线技术来改善医疗保健。与心血管相关的不同类型数据(如血压、心电图、血氧饱和度等)衬衫、贴片、腕带、戒指和眼镜等。移动医疗和远程医疗的大数据与AIAI等新技术来改善医疗服务，有助于减少对传统医疗保健系统和基于光电容积脉搏波(photoplethysmography,PPG)的可穿戴式心电监护估苹果心脏研究应用程序(一种分析脉搏数据的移动医疗应用程序)是否可使用苹果手表上收集的数据来识别不规则的心律(心房颤动和其他心律失常)[10风险。研究发现，机器学习模型预测房颤发作灵敏度为94.04%,特异度为96.35%,召回率为94.04%,在预测未来4~8h内房颤发作事件的线上和线下测试中均表现出良好的预测效能[12]。最终实现每个心动周期的血压实时监测，但其准确性尚待进一步验证[13]。同自动化方式解释多维成像模式(如3D超声心动图和斑点跟踪技术),借助集成在软件中的算法能够在几秒钟内自动计算更多有用但常规检查并不检测的心脏是，这一模型还可用于3D分析困难的患者，如快速心律失常或呼吸困难患者。-3D数据集，仍然能够获得这些患者的全面心脏参数，指导下一步治疗[14]。病评估等关键指标上的表现超过了专家，模型预测射血分数1%,并可靠地分类了射血分数降低的心力衰竭(曲线下面积为0.97)[15]。均绝对误差为6.0%,重复的前瞻性评估证实，该模型具有与专家相当或小于人AI平台可通过自动测量、病理特征识别在治疗中快速应用，改进和标准化目前的流程。超声心动图AI研究的优势和前景在于识别可能提示亚临床疾病或预后四、AI与冠状动脉计算机断层血管造影(coronary地用于冠状动脉疾病(coronaryarterydi和风险评估(如冠状动脉钙化积分和冠脉血流储备分数计算)[16]。Zellweger等[17]研究了AI作为CAD无创诊断工具的作用，使用一种基于AI的模拟模式算法，发现它在检测血管造影记录的CAD患者方面优别为98%和95%。另一项国际多中心注册研究对疑似冠心病患者行64层CCTA,分析患者的临斑块组成、冠状动脉优势等35个CCTA变量的数据，发现利用这些数据的AI算8]。目前国内已经开发了几种机器学习的模型，应用AI的无创冠脉血流储备分影像检查的自动解释和风险预测方面取得了显著进展。需要注意的是，AI深度学习算法的黑盒模型，模型的不可解释性是AI应用中不可忽视的局限性。些缺陷可能会导致自动决策算法中的错误结果[20]。尽管现有的AI和心血管相关研究多为描述性研究，且在最先进的医学中心有待观察。AI需要计算机科学家、临床研究人员、临床医师和其他用户之间的[1]中国心血管健康与疾病报告编写组.中国心血管健康与疾病[J].中国循环杂志，2023,38(6):583-612.DOI:10.3969/j.issn.1000-3[2]SzolovitsP,PatilRS,SchwartzWB.Artificialintelligencedicaldiagnosis[J].AnnIn6/0003-4819-108-1-80.[3]KrittanawongC,ZhangH,Wanprecisioncardiovasc[4]HannunAY,RajpurkarP,Haghpanahiamsusingadeepneuralnetwork[J].NatMed,2019,25(1):65-69.DOI:trocardiogram:reviewofthecurrentstate-of-t2021,23(8):1179-1191.DOI:10.1093/europace/euaa377.[6]AttiaZI,KapaS,Lopez-Jimctrocardiogram[J].NatMed,2019,25(1):70-74.DO[7]HughesJW,01ginJE,AvramR,erdiograminterpretation[J].JAMACardiol,2021,6(11):1285-1295.DOa[J].CircArrhythmElectrophysiol,2020,13(8):earrhythmiadetectionandclassificationinambulatamsusingadeepneuralnetwork[J].NatMed,2019,25(1):65-69.DOI:9,381(20):1909-1917.DOI:10.1056/NEJMoa1901183.21,15(2):109-112.DOI:10.3760/115624-20201126-00826.[12]GuoY,LaneDA,WangL,etal.Mobilehealthtechnology2020,75(13):1523-1534.DOI:10.1016/j.jacc.2020.01.052.南[J].中国循环杂志，2021,36(4):313-328.DOI:10.3969/j.issn.1000[14]MedvedofskyD,Mor-AviV,AmzulescuM,etal.dy[J].EurHeartJCardiovascImag093/ehjci/jew328.[15]OuyangD,HeB,GhorbaniA,etal.Video-basedAI-beatassessmentofcardiacfunction[J].Nature,2020,580(7802):252-256.DOI:10.1038/s41586-020-2145-8.[16]ZellwegerMJ,Tsirkineasanessentialelementofpredictive,preventivemedicine[J].EPMAJ,2018,9(3):235-247.DOI:10.1007/s13167-018[17]ZellwegerMJ,BrinkertM,BucherbasedalgorithmtodiagnJCardiol,2014,174(1):184-186.DOI:10.1016/j.e-learningapproachtocoronary