人工智能心電圖對心力衰竭患者猝死風險的評估

高學英 劉凡

河北醫科大學第二醫院心血管內科 石家莊市 050000

心電圖臨床應用至今已有百余年歷史，仍是當今臨床最常用、最便捷、最經濟、最有效的心臟輔助檢查手段。隨著21 世紀人工智能（artificial intelligence, AI）的興起，已證明人工智能心電圖可檢測人工無法識別的一些心電圖特征和不能常規通過心電圖診斷的疾病[1-3]，如無癥狀左心室功能障礙、心房顫動[4-5]的發現及識別、肥厚型心肌病、射血分數保留的心力衰竭[6]等。與傳統的基于規則的計算機解讀相比，人工智能心電圖診斷的準確性和工作效率可能更高。人工智能分析的心電圖在醫療創新領域具有巨大的潛能，可能會改變我們對心臟疾病的診斷和治療方式。

心力衰竭因患病率、死亡率和再住院率高已成為重大的公共健康問題，心源性猝死（sudden cardiac death, SCD）通常由致命性心律失常引起，占心力衰竭患者心血管死亡的50%。雖然植入式心律轉復除顫器（implantable cardioverter defibrillators,ICD）被用于降低SCD 風險，但植入過程是侵入性的，并且ICD 患者經歷不適當電擊比例較高，給患者的身體和心理[7]（如抑郁、焦慮和ICD 相關問題）帶來負面影響。此外，SCD 常發生于沒有嚴重左心室功能不全的患者中，目前還沒有射血分數＞35%的患者發生SCD 風險的研究數據。因此，評估心力衰竭患者SCD 風險對于臨床決策至關重要。

目前SCD 風險的評估方法主要基于左心室射血分數（left ventricular ejection fraction, LVEF）和紐約心臟協會（NYHA）心功能分級，但是有些SCD 經常發生在沒有嚴重左心室功能障礙的患者中，針對LVEF＞35% 患者的SCD 風險分層仍是空缺。Shiraishi 等[8]評估應用12 導聯心電圖訓練的人工智能模型是否能夠檢測出SCD 風險分類，并改善心衰患者的風險分層，結合卷積神經網絡（convolutional neural networks, CNN）和長短期記憶預測SCD 發生率的能力，基于心電圖的人工智能（electrocardiography-based AI, ECG-AI）是否能更好地預測SCD，以及將ECG-AI 指數與SCD 的常規預測因子相結合，是否能改善心衰患者的SCD 分層，該研究納入了東京4 家三級醫院2 559 例急性失代償后成功出院的心力衰竭患者，從各醫院的電子病歷系統中提取首次住院期間的心電圖數據，通過調整LVEF、NYHA 分級和非SCD 競爭風險來評估ECG-AI 指數與SCD 的關系，ECG-AI 指數加上經典預測指南（即LVEF ≤35%，NYHA Ⅱ類和Ⅲ類）顯著提高了SCD的鑒別值，人工智能心電圖可以從信息豐富但復雜的數據集獲得統計模型，由CNN 構建的ECG-AI 模型在檢測疾病、預測心功能和估計預后方面，能夠檢測出SCD 風險分類的重要特征，改善心力衰竭患者的風險分層。此外，與ICD 的常規指征相比，ECG-AI 聯合模型對非缺血性病因和無房顫的年輕患者（≤75 歲）SCD 發生率的鑒別明顯更好。隨著LVEF 的增加，SCD 患者與非SCD 患者的比例穩步下降，ECG-AI 指數對LVEF 為35%～50%的患者的鑒別能力最好。循環神經網絡聯合CNN 建立一個ECG-AI 模型來預測心力衰竭患者SCD 的發生率，結果顯示其良好的表現優于ICD 的常規適應癥。由于SCD 的準確風險預測在臨床實踐中至關重要，這些使用人工智能算法的新方法可能幫助臨床醫生為決策提供依據，以確保ICD 應用適當。

雖然人工智能心電圖目前具有解釋、檢測多種疾病的能力，但廣泛應用于臨床仍存在諸多局限性。首先，人工智能心電圖篩查的成本效益尚未得到評估[9]，這是其在臨床實踐中大規模應用的關鍵。其次，人工智能心電圖來源的研究試驗模型的均質性、準確性及信息安全性也是不能忽略的潛在挑戰。人工智能心電圖可作為擬人化的臨床ECG 診斷工具，也可廣泛用于流行病調查和健康管理。目前人工智能心電圖處于起步階段，但不斷增長的臨床研究數據決定人工智能工具的附加價值。與任何醫療器械一樣，人工智能心電圖必須經過審查、驗證、臨床醫生接受培訓等諸多環節，才能正確使用。同時與人工智能心電圖結合，有望改變臨床治療及護理。未來，期待信息科學領域開發更適用于臨床環境的機器學習算法，加強心電數據和其他臨床影像信息的收集和管理，共同助力人工智能心電圖的進一步推廣和應用，心電網絡和臨床大數據的完善也為 AI技術的開發提供充足的數據基礎，有望彌補現有手段的不足。