人工智能在房顫管理中的應用進展

李小榮 楊兵

經過60多年的發展,人工智能正迅速發展,并深刻改變著傳統醫療體系的診治模式。房顫是臨床最常見的心律失常之一,隨著人口老齡化加劇,其患病率逐年升高。近期北京安貞醫院牽頭的一項全國大型社區調查研究顯示,在我國成年人(≥45歲)中,房顫發病率約1.8%,估測近800萬人罹患房顫[1]。本文以房顫為切入點,深入闡述人工智能在房顫管理中的應用進展。

1 人工智能概述

1956年,美國計算機科學家John McCarthy首次提出了人工智能的術語和原理[2]。人工智能是指應用計算機科學的理論與方法,使機器模仿人類利用知識完成一定行為的計算模擬過程[3],目前實現人工智能的技術手段主要有機器學習和深度學習。機器學習是人工智能的重要組成部分,是計算機基于算法,從大量數據中學習訓練獲得經驗,形成某種模型,并利用模型預測結果的方法[4]。而深度學習是機器學習的一種特殊形式,它是讓機器能夠像人腦神經網絡一樣實現對數據的深度挖掘和解釋的方法[4],其代表算法之一為卷積神經網絡(convolutional neural network,CNN)。深度學習的主要優勢在于以下幾方面:①數據依賴,即只要擁有充足的數據就可進行學習研究,且隨著數據規模的增大,深度學習的性能也不斷增強;②特征處理,即深度學習能自動從數據中直接獲取特征,而機器學習中應用的特征多需專家確定,其算法性能依賴于所確定特征的準確度。當然,因為深度學習需進行大量運算,所以更依賴于GPU等高端硬件;深度學習算法中涉及的參數很多,需要消耗更長的時間。人工智能醫療的技術流程見圖1。

圖1 人工智能醫療的技術流程

2 人工智能在房顫診治管理中的應用

人工智能在房顫診治管理中的應用,可以歸納為房顫診斷、預測、治療支持、預后預測等。見圖2。

圖2 人工智能在房顫管理中的應用

2.1 房顫診斷

心電信息采集簡單、數據量極大,所以,心電檢測也成為人工智能在心血管領域應用的主要陣地。隨著移動設備、可穿戴傳感器和軟件應用程序的大規模應用,人們可以通過心電檢測發現包括房顫在內的各類心律失常。基于深度學習的心電人工智能,可以準確掌握心電圖自身的特點和充分理解專家判讀心電圖的思考過程,將人類百年來積累的心電知識和機器的數據學習能力進行有機結合,建立一套診斷能力達到臨床醫生平均水平的心電診斷系統,其操作方便、價格相對低廉,且能對心電數據進行實時分析。HANNUN等[5]使用人工智能-深度神經網絡對來自53 877例患者的91 232條單導聯動態心電圖記錄的大型臨床數據集進行心律分類,結果發現人工智能-心電圖(artifical intelligenceenabled ECG,AI-ECG)可以診斷出包括房顫、心房撲動、房室阻滯、交界性心律在內的12種心律,其ROC曲線下面積AUC值平均達0.97,F1平均得分(陽性預測值和敏感性的平均值)高于心臟病專家診斷時F1的平均值(0.837vs.0.780)。我國GUO等[6]利用基于光電容積脈搏波描記法(photoplethysmographic,PPG)的mHealth技術開展房顫篩查研究(HUAWEI Heart Study),結果顯示,在應用華為智能手環或手表的187 912例用戶中,篩查出424例(0.23%)“疑似”房顫患者,其中,262例接受了遠程管理團隊和醫生的隨訪后,最終227例確診為房顫,其陽性預測值可達91.6%。

2.2 房顫預測

2.2.1 基于心電圖的房顫預測 陣發性房顫的診斷依賴于房顫發作時的心電圖,而人工智能技術可以根據陣發性房顫患者平素未發作時獲得的竇性心律心電圖,識別出房顫高危個體。《世界心臟聯盟房顫路線圖(2020年更新版)》指出,除常規心電檢查外,還可以利用現代人工智能技術,根據現有的臨床標本、樣本或數據(包括心電圖數據)有效預測房顫[7]。ATTIA等[8]納入了自1993年12月31日至2017年7月21日美國梅奧診所心電圖室180 922例患者的649 931份竇性心律心電圖,根據竇性心律的P波預測房顫,用深度學習算法構建和優化房顫預測模型,結果顯示該模型在單次人工智能竇性心律下心電圖預測房顫的AUC值為0.87,敏感性為79%,特異性為79.5%。BAEK等[9]開發的遞歸神經網絡深度學習算法,通過學習房顫未發作時標準12導聯竇性心律心電圖的細微差異來預測房顫,結果顯示AI-ECG上QRS波群出現前的0.24 s內是檢測陣發性房顫細微變化的最佳時間窗。人工智能算法還可僅利用竇性心律心電圖預測人群未來是否會發生房顫,而無須其他臨床數據支持。CHRISTOPOULOS等[10]使用AI-ECG計算梅奧診所臨床研究老年人群中房顫的發生率,該人群在基線訪視時無房顫病史,共有1 936例參與者被納入分析,平均75.8歲;基線檢查時AI-ECG房顫模型輸出＞0.5的參與者,2、10年的房顫累積發生率分別為21.5%、52.2%。因此,AI-ECG作為一種低成本的篩查手段,可以根據竇性心律心電圖識別陣發性房顫和預測房顫易發患者。

2.2.2 基于照片或視頻的房顫預測 古有扁鵲通過“望色、聽聲”即可得知蔡桓公的疾病狀態,而今借助先進的人工智能技術,不需要病史或查體,也能“看臉識病”。香港中文大學YAN等[11]的研究納入20例永久性房顫患者[平均(76.6±7.6)歲,男12例(60%)]和24例竇性心律對照組人群[平均(56.8±20.2)歲,男14例(58.3%)],通過使用一臺數碼攝像機以視頻方式記錄患者面部表情,分析無身體接觸的面部PPG信號,經過訓練的深度CNN可據此檢測出患者是否有房顫,其與心電圖之間的一致性良好(95.9%),總敏感性為93.8%(95%CI88.9%～96.6%),特異性為98.1%(95%CI94.6%～99.4%)。

2.3 房顫風險評估

腦卒中是房顫的主要并發癥,目前指南推薦以CHA2DS2-VASc評分作為房顫患者腦卒中風險分層的依據,以確定是否需要啟動抗凝治療。該評分系統基于簡單的臨床變量,易于臨床推廣,但其僅考慮人口學特征、病史和共存疾病的因素,模型過于簡單,不能反映房顫血栓栓塞的復雜發病機制,以及房顫患者中其他關鍵的表型特征,如房顫的類型和負荷、電生理特征、左心房纖維化程度、左心耳的解剖和功能、循環生物因素(心肌標志物、炎癥、促凝因子)和心電圖特征(如P波振幅、持續時間、軸),而上述都是腦卒中風險增加的重要因素。HAN等[12]建立人工智能模型后納入3 114例非腦卒中房顫患者作為對照組,將其與71例腦卒中房顫患者進行驗證,驗證數據集中的CNN模型表現最好(AUC=0.702),而CHA2DS2-VASc的AUC＜0.5。因此對房顫患者可以使用同時納入結構化和非結構化數據的人工智能模型自動進行腦卒中風險評估,以識別高危患者并及時啟動抗凝治療[13]。

2.4 房顫治療輔助支持

2.4.1 藥物濃度監測和預測 抗心律失常藥物有致心律失常風險,因此監測其血藥濃度至關重要。ATTIA等[14]從42例(男、女各21例)接受多非利特或安慰劑治療的健康受試者中獲得連續心電圖和血藥濃度,開發了一種深度學習算法以評估體表心電圖(QTc)形態學變化與多非利特血漿濃度的關系;結果顯示,QTc的線性模型與多非利特血漿藥物濃度之間有很好的相關性(r=0.64)。CHANG等[15]的研究納入了61例地高辛中毒患者和177 066例急診患者的心電圖,結果顯示人工智能在驗證隊列和人機競爭中的AUC值分別為0.912和0.929,敏感性和特異性分別達到84.6%和94.6%。更有趣的是,僅使用Ⅰ導聯的人工智能系統(AUC=0.960)并不比使用完整12導聯(AUC=0.912)的差。因此,基于心電圖的人工智能可用于預測血漿多非利特、地高辛等房顫治療藥物的濃度,從而經濟、快速、方便地監測臨床抗心律失常藥物的濃度。

2.4.2 導管消融的決策支持 肺靜脈電隔離是目前房顫消融治療的基石,但非肺靜脈觸發灶在部分患者中也起著重要的作用。臺北榮民總醫院LIU等[16]回顧性分析了521例經導管消融治療的陣發性房顫患者,其中358例未復發患者(單純肺靜脈觸發者298例,占83.2%;非肺靜脈觸發者±肺靜脈觸發者60例,占16.8%)的肺靜脈CT成像(PV-CT)數據被用來進行深度學習,并創建非肺靜脈觸發灶的預測模型,結果顯示人工智能模型預測非肺靜脈觸發的準確率為(82.4±2.0)%,敏感性為(64.3±5.4)%,特異性為(88.4±1.9)%。利用消融前PV-CT的深度學習模型可在消融前識別非肺靜脈觸發患者,并預測陣發性房顫導管消融的觸發灶。ZOLOTAREV等[17]的研究亦發現,與傳統標測相比,基于傅里葉譜特征預訓練的機器學習模型,可以有效地將人離體心臟的心房電圖分類為房顫驅動或非驅動灶,從而提高房顫患者靶向消融的準確性。房顫消融時,構建精準的左心房模型至關重要,基于模型的FAM(m-FAM)是CARTO系統開發的一個新模塊,其將機器學習技術應用于左心房重建。SCHWARTZ等[18]的研究顯示,無論使用何種導管進行標測,m-FAM模塊均可快速、精確地重建左心房和肺靜脈解剖結構,從而安全地指導房顫消融。

2.4.3 綜合管理 心電圖和動態心電圖是既往最常用的監測房顫復發的工具,但是報告的及時性、家庭普及性均不高。目前,基于人工智能的移動設備用于心電監測有望規模化應用于術后隨訪,更早地檢出復發房顫,有利于房顫的長期綜合管理。顧賽男等[19]研究顯示,非瓣膜性房顫患者消融治療后利用“大拇指”心電監測儀進行監測,人工智能算法診斷房顫的敏感性和特異性分別為96.5%和99.6%。HUAWEI Heart Study對應用移動醫療技術的干預組(1 646例)和常規治療組(1 678例)的臨床結局進行比較和分析,其中干預組通過管理平臺接受醫生的管理;隨訪12個月后,與對照組相比,干預組的缺血性腦卒中或全身血栓栓塞、死亡和再住院的主要復合終點發生率更低(6.0%vs.1.9%),住院率也更低(4.5%vs.1.2%)[20]。由此可見,移動健康技術可用于改善房顫篩查和優化綜合護理。

2.5 房顫預后判斷

2.5.1 房顫消融后再住院預測 由于再發房顫、心房撲動和手術并發癥等原因,接受導管消融治療的房顫患者30 d再入院率約10%[21]。HUNG等[22]研究分析了2013年美國全國房顫患者再入院數據庫的數據,利用K-近鄰、決策樹、支持向量機等多種機器學習算法建立預測模型,探討了再入院的危險因素;結果發現,預測患者30 d再入院最重要的變量是年齡、出院總次數以及患者病歷記錄中的疾病數目等;在所使用的機器學習算法中,K-近鄰算法預測準確率最高,達85%。

2.5.2 主要心血管不良事件預測 GOTO等[23]利用GARFIELD-AF登記的數據開發了一種新的人工智能模型,用于預測房顫患者的臨床結局;研究發現,接受維生素K拮抗劑治療的新診斷房顫患者30 d內至少進行3次凝血酶原時間測量,該人工智能模型通過捕捉連續凝血酶原時間測量中的重要信息,預測患者一年內大出血、腦卒中或全身性栓塞和全因死亡的c統計量分別為0.75、0.70和0.61,對主要出血的預測準確率最高。

3 人工智能應用于醫療領域存在的問題

人工智能在醫療領域的研究與臨床應用均處于起步階段,雖然前景廣闊,但在發展過程中仍面臨著一些困難和爭議[24]。

3.1 質量控制問題

首先,當前人工智能在醫學領域中的應用研究大多數是非隨機、非前瞻性的,存在高偏差風險[25]。其次,雖然大數據可以增強機器學習模型的性能,但當使用深度學習卷積模型時,非線性數據轉換和多重卷積導致數據內部處理過程很難追蹤,而輸入數據的哪些方面對模型輸出的影響最大也難以判斷。從某種意義上說,深度學習算法的處理過程就是一個“黑匣子”。因此,深度學習算法的可解釋性是當前的一個重要研究領域[13]。

3.2 倫理學問題

基于人工智能的可穿戴設備是電子消費品,價格較高,在不同收入、年齡人群中的接受程度都存在差異。此外,人工智能的參與會不會產生假陽性結果,帶來過度診斷與過度治療,甚至導致傷害尚屬未知。尤其值得注意的是,目前多數人工智能研發機構屬于私人公司,這類公司如果存儲有大量敏感的醫療數據和個人信息,是否會引發道德和法律問題[26]?如果基于人工智能的醫療應用被犯罪分子利用,則可能會導致巨大災難。

3.3 結果推廣問題

首先,人工智能醫療基于算法和既往的大量數據,依據數據的局部特征進行識別,其對個體的整體屬性、罕見病或未見過的場景則無法識別。其次,許多研究基于單中心、回顧性的臨床數據,模型的泛化能力較差。再次,人工智能模型對數據質量的高要求,也限制了其預測的準確性和在基層的可推廣性。

3.4 弱化醫護地位問題

人工智能醫療的快速發展,一定程度上可以減輕醫護工作負擔,幫助醫護管理患者,與此同時,可能會弱化醫護專業的地位。但鑒于醫學科學的復雜性和人們對疾病認識的局限性,人工智能完全取代醫護專業人員的工作是不可能的。

4 小結

利用人工智能,基于計算機算法可以優化診斷過程、提高決策能力,有望徹底改變傳統的醫療診治模式。從房顫管理角度出發,人工智能可以通過可穿戴設備、遠程心電網絡平臺篩查出房顫患者;通過心電圖、超聲心動圖、影像學及血液學檢查的特征預測房顫,并輔助臨床醫生預測消融靶點、制定消融方案,甚至開展機器人主導下的消融;在藥物治療過程中,可以利用人工智能監測抗心律失常藥物的血藥濃度;隨訪期間,基于人工智能的輔助系統有助于預測主要心血管不良事件;人工智能甚至可以預測治療復雜房顫的藥物組合,或結合蛋白質組學尋找新的藥物研發靶點。當然,人工智能的研究和應用均處于起步階段,存在質量控制、結果推廣等方面的諸多問題,需要在發展過程中繼續探索解決之道。