遠程心電人工智能技術在急性冠脈綜合征診療中的應用進展

魏思萌 石亞君 陳韻岱

心血管疾病是全球范圍內導致死亡的最常見原因, 其中, 急性冠脈綜合征(acute coronary syndrome,ACS)和嚴重心律失常最值得關注,因其發生突然、難以預測,更亟須建立完備的監測、識別、診療和管理體系。 我國著力于胸痛中心建設,依托遠程心電傳輸的協同區域救治體系也在逐步完善,但多項研究表明,我國ACS 救治普遍存在就診時限延遲、介入技術未全面普及、經皮冠狀動脈介入治療(percutaneous coronary intervention,PCI)醫院資源分布不均、缺乏區域協同急性心肌梗死(acute myocardial infarction,AMI)救治網絡等問題,導致診療體系存在較大缺口[1]。 在遠程心電監測心電云平臺的基礎上,引入人工智能技術,利用其強大的機器學習能力可構建準確率高、輕量級的神經網絡,建立心電人工智能診斷系統,構建長時程多參數信號的個體化預后評估模型,聯合建成健康狀態監測預警智能平臺,以架構完整的心臟主動健康智能管理體系。

1 遠程心電傳輸的發展歷程

心電圖的臨床應用已逾百年,它早已經成為心血管疾病診斷中最普遍采用的方法,也是臨床工作中最基礎的檢查工具。 歷史上第一個遠程心電監護儀的雛形要追溯到1903 年,荷蘭教授威廉·埃因托芬(William Einthoven)利用1 500 m 長的電纜線,記錄下了第一份完整的人體心電圖,進而發明了第一臺弦線式心電圖機,他也因此被稱為“心電圖之父”。 Einthoven 教授的這個舉動開啟了遠程心電傳輸的大門。 遠程心電傳輸的發展先后經歷了電話傳輸、基于個人計算機的遠程監測、基于互聯網的遠程監測傳輸系統,以及如今大力發展的無線遠程心電監測系統和便攜式心電監測系統[2]多個階段。

2 人工智能輔助遠程心電傳輸

自1950 年“圖靈測試”提出“機器能否產生人類智能”的疑問以來,數十年間人工智能技術飛速發展,在各個領域產生了巨大影響。 人工智能技術與醫學已深入融合,《全球工程前沿2020》報告更是將“基于人工智能的臨床診斷決策支持系統”列為工程研究前沿之一[3]。 人工智能技術在心血管疾病防治領域應用廣泛：借助機器視覺,可根據受檢者的面部特征估測肱動脈血壓、根據胸部X 線片判斷體肺分流比和診斷胸部常見疾病、根據心電圖自動分類12 個心律類別、利用超聲心動圖診斷先天性心臟病等[4];自然語言處理技術則可用于輔助心音聽診、跨專業文獻關聯解讀;機器學習功能可應用于建立復雜結構和進行數據分析,構建相應的疾病診療模型,以開展風險分析和預后評估等[5]。

遠程心電監測的關鍵技術環節包括心電采集終端、傳輸、云平臺和大數據分析[6],而人工智能技術的賦能可使傳輸更便捷、精準。 智能可穿戴設備是在生物傳感技術、無線通信技術與智能分析軟件的支持下,可實現用戶交互、數據監測的人體可穿戴設備。 隨著信息和通信技術的快速發展以及電子技術特別是微處理器的進步,智能可穿戴設備輔助疾病診療和管理將成為可能。 智能可穿戴設備與人工智能相聯合,可建立智能化遠程心電監測終端和云端大數據平臺[7]。 將智能可穿戴設備作為心電信號采集和傳輸的橋端,采集穿戴者心電信號并利用無線通信技術將其實時傳輸至心電診斷中心;遠程心電監測云平臺通過硬終端采集患者實時心電數據,利用4G 或5G 網絡傳輸同步上傳到監測系統,利用基于大數據訓練的智能心電診斷系統進行高效準確的大數據比對,以實現不受時間、空間限制的實時信息采集與監測,及時識別異常信號并發出預警。 使用智能化遠程心電監測終端和建立云端大數據平臺,有利于降低心血管疾病的漏診率,提高心律失常的檢出率,同時為縮短呼救時間和緩解區域間醫療資源分布不均衡的矛盾創造了可能。

3 ASC 患者的救治要點

3.1 ACS 診療方案與時間節點

ACS 是指冠狀動脈內不穩定性粥樣硬化斑塊破裂或糜爛,繼發新鮮血栓形成所導致的心臟急性缺血綜合征,涵蓋了ST 段抬高型心肌梗死(STsegment elevation myocardial infarction, STEMI)、非ST 段抬高型心肌梗死(non-ST-segment elevation myocardial infarction, NSTEMI)和不穩定型心絞痛(unstable angina, UA),其中NSTEMI 與UA 合稱為非ST 段抬高型急性冠脈綜合征(non-ST-segment elevation-acute coronary syndrome,NSTE-ACS)。 一旦發生心肌梗死,4 h 以內是臨床救治的最佳時機,而目前大多數學者傾向于將猝死時間限定在發病后1 h 內[8]。 研究表明,72%的患者在心搏驟停前會有明顯的不適,其中70%的患者預警癥狀持續15 min 以上。 因此,有學者指出,心臟性猝死患者死亡前會有明顯的異常心臟活動,通過心電圖監測等手段可及時發現心臟異常[9-10];《急性冠脈綜合征急診快速診治指南(2019)》中再次強調心電圖檢查的重要性,要求有癥狀發作的ACS 患者必須在首次醫療接觸后的10 min 內,完成標準12 導聯甚或18 導聯心電圖檢查;如有必要,應給予急救處理,以挽救患者生命[11]。

3.2 AMI 救治延誤主要發生在院外

隨著我國基于胸痛中心建設的協同救治網絡不斷完善,目前院內救治延誤時間顯著縮短,但患者自身原因引起的延誤情況依然嚴重。 2019 年GUAN 等[12]進行的一項China PEACE 研究納入我國21 個省份53 家大型醫院的ACS 就診患者,結果顯示AMI 患者自發病至抵達醫院的中位時間為4 h(中位數2.0～7.5 h)。 與上述研究結果相印證,我國ACS 臨床路徑研究(CPACS)也表明,AMI 患者自發病至抵達二級醫院的平均就診時間為5 h,而到三級醫院平均長達8 h。 結合臨床經驗,GAO 等[13]提出,院前遠程心電診斷可以降低AMI 患者的死亡率,特別是縮短STEMI 患者的救治時間,有助于快速穩定病情,進一步提升急救成功率,保障患者身心安全。 遠程心電監測設備的使用和人工智能平臺的建立,為縮短呼救時間和緩解不同區域間醫療資源分布不均的矛盾創造了可能。

4 遠程心電人工智能技術在ACS 診療中的應用

在遠程心電監測中,對于AMI 及惡性心律失常等危急重癥的心電信號,臨床上要求做到快速、準確診斷。 而應用人工智能技術后,可以實現全自動且準確的心電圖解讀,同時輔助無癥狀性心血管疾病檢測,覆蓋ACS 的篩查、診斷、預后判斷及治療反應監測等各階段[14]。

4.1 院前分級診療與胸痛急救

院前遠程心電監護技術現已被廣泛應用于臨床,并受到患者認可[15]。 在突發不明原因胸痛患者的遠程心電監測中,若捕捉到惡性心律失常及心肌梗死征象,則可在遠程指導下對患者實施搶救。KASHEM 等[16]研究表明,相比于入院后強化治療,改善院前醫療急救水平能更有效地降低相關疾病的病死率。 國外一項研究納入了直接于醫院就診與院前使用遠程心電診斷的兩組AMI 患者,通過比較發現,在后一組患者中可避免的延誤治療減少了38%,對其中的遠途就醫(就醫路途時間超過半小時)或年齡＞80 歲的老年患者而言,可避免的治療延誤時間縮短了48%,且偏遠基層醫院的患者人群獲益更大[17]。 借助可穿戴心電設備在院外及早診斷并指導患者就醫急救,是優化ACS 救治流程的有效策略。 根據遠程心電圖監測結果,分級匹配相應的臨床就醫指導意見,能實現“患者未到,信息先到”,從而為危急重癥患者的搶救贏得寶貴時間。

基于遠程心電傳輸技術,2011 年3 月27 日中國人民解放軍南部戰區總醫院(簡稱南部戰區總院)成立了中國首家以區域協同救治體系建設為理念的胸痛中心,旨在為急性胸痛患者提供快速診療通道。 區域協同救治體系,就是在一定區域范圍內建立以具備直接經皮冠狀動脈介入治療(primary percutaneous coronary intervention,PPCI)能力的醫院為核心,將周邊基層醫院和院前救護車整合起來形成區域協同救治網絡的快速反應機制,使STEMI 患者一旦發生首次醫療接觸,就能在最短時間內被送至具備救治能力的地點接受最佳治療,并通過制訂涵蓋急性胸痛救治全程的診治流程圖及管理制度來規范救治體系的運行[18]。 在診療流程中,醫護人員實時準確地記錄各類診療活動的時間節點,并同步上傳至中國胸痛中心認證云平臺數據庫,以便進行時間節點管理和質量控制分析。 回顧2011 至2017 年南部戰區總院胸痛中心所采集的數據,區域協同救治體系下接受PPCI 的STEMI 患者的救治時間顯著縮短,同時PPCI 院內救治時間和醫療系統的延誤均有所減少,從而有效降低了STEMI 患者的心力衰竭發生率及院內死亡率[19]。

4.2 心電人工智能診斷

根據《中國心血管健康與疾病報告2022》估測,中國心血管疾病患病人數為3.3 億,且患病率處于持續上升階段,心血管疾病仍居城鄉居民疾病死亡構成比的首位[20]。 加強心血管疾病的早期診斷和及時治療,對提高患者的生存率極其重要。 然而,部分門診患者的心電圖ST 段無明顯變化,遠程心電監護也不易發現AMI,使心血管患者的漏診率和死亡風險升高。 遠程心電監護中AMI 的檢出率較低,可能與患者AMI 持續時間短、ST 段變化幅度小有關,心電監測也會受到患者日常活動的干擾。 盡管遠程心電監測對AMI 的診斷率不高,但人工智能可實現精準診斷[21]。

使用自動機器學習的架構搜索方法,可以構建一個準確率高、輕量級的神經網絡,使其能在移動端高效地進行動態心電信號的質量評估,將心電信號分為“質量可接受”和“質量不可接受”兩類。 如為“質量可接受”,則將信號輸入心電事件監測算法;如為“質量不可接受”,則舍棄該信號,并發出警報,提醒使用者調整穿戴姿勢或檢查設備是否正常運行。 移動端完成待診斷心電信號的質量評估、篩選后,將數據上傳至云平臺進一步分析、管理[22]。

OLGIN 等[23]嘗試探究可穿戴心律轉復除顫器是否會改善心肌梗死患者的預后,結果表明在納入的2 302 例左心室射血分數≤35%的AMI 患者中,佩戴裝有心電診斷算法心律轉復設備的患者90 d全因死亡率較對照組顯著降低了35%。 然而,心律失常的自動檢測與STEMI 的檢測有本質區別。 從心電信號中自動檢測STEMI 的難點取決于三個因素：首先,雖然單導聯心電圖足以檢測心律失常,但要預警STEMI 至少需要12 導聯,其自動檢測算法也要復雜得多;其次,與非致命性心律失常檢測相比,由于STEMI 檢測算法被用于警示潛在的致命性波形,因此對其靈敏度要求相對更高;最后,從心電信號中較容易捕捉心律失常,而ST 段的相對微小變化很容易被濾波過程所消除,因此,要開發STEMI算法,就需要未經任何濾波或可視化處理的原始心電數據。 為此,ZHAO 等[24]開發了一種基于深度卷積神經網絡的算法來進行STEMI 識別,在與心臟病專家的比較測試中,該算法的AUC 為0.974,其靈敏度(召回率)、特異性及F1 評分均高于心臟病專家。

隨著可穿戴技術的發展,在ACS 定性診斷中,可穿戴式12 導聯心電設備與標準12 導聯心電圖已顯示出較高的一致性,臨床驗證二者的診斷符合率可達97.32%[25]。 在此基礎上,可穿戴設備與人工智能診斷的結合,將更好地發揮院前遠程醫療作用。 沈娟等[26]基于DenseNet(密集連接型網絡)的心電數據構建穿戴設備STEMI 的心電智能診斷模型[27],選取441 例12 導聯穿戴心電設備提示危急值預警ST 改變的心電圖(該數據來源于2019 年1 月至2021 年8 月“全國心電一張網”項目),以臨床確診STEMI 為評價標準,統計得出院前可穿戴心電設備人工判讀STEMI 與人工智能診斷STEMI 的敏感性分別為100%、88.37%, 特異性分別為95.40%、79.31%,從而證實院前可穿戴心電設備診斷STEMI 在人工判讀、人工智能診斷上具有較高的一致性,且準確率均較高。

de CANNIèRE 等[28]以120 例冠狀動脈造影確診的冠心病患者為研究對象,探討基于人工智能心電圖算法模式的心臟遠程監護系統評估冠心病患者無癥狀性心肌缺血的有效性。 該研究結果表明,它可以顯著提高無癥狀性心肌缺血的檢出率,還能提示這類患者ST 段的微小變化和疾病發作的晝夜節律。

然而,也有研究指出,一些算法能利用基于12導聯以下甚至單導聯的可穿戴心電設備記錄的心電數據對心臟事件進行評估。 CHOWDHURY 等[29]專為駕駛員開發了一種可穿戴系統,用于監測、捕捉駕車過程中發作的心臟病事件。 該系統由可穿戴3 導聯傳感器以及心臟病發作智能檢測和預警子系統組成;在數據處理上未采用以往的線性算法,而是使用多核支持向量機(support vector machines,SVM)算法,借助其擴展修正B 分布的時頻特征,從而提高檢測準確率(對STEMI 和NSTEMI 的檢出率分別達97.4%和96.3%)。

目前,基于可穿戴式12 導聯心電設備的機器學習顯示出巨大的開發潛力,多種心電人工智能診斷算法正在研發中,有望用于左心室收縮功能障礙、無癥狀性心房顫動的評估,以及肥厚型心肌病甚至高鉀血癥的檢測,同時還能輔助抗心律失常藥物的管理等[30]。

4.3 預后評估與管理

4.3.1 建立長時程多參數信號-個體化的預后評估模型 該模型主要分為動態心電信號自動解析、心電事件自動檢測識別和心臟事件自動預警三部分,其中,“長時程”旨在采用多尺度殘差結構構建卷積網絡模型,有效提取長時程信息,以覆蓋從識別、預警到風險預測、預后評估的全流程;“多參數”體現在多導聯、多生理參數參與分析,利用多通道1D 卷積網絡生成“個體化”的評估方案[31]。 動態心電信號的自動解析要依托于卷積神經網絡的建立。 采取多尺度殘差卷積結構模型,使用不同長度的卷積核并行,隨后將得到的特征圖在通道維度上進行疊加,取代常規的固定卷積核長度的卷積層而得到多尺度的感受野,從而有助于優化分類性能。 2019 年HANNUN 等[32]通過引入深度殘差卷積網絡(ResNet),首次利用原始心電圖數據進行分類診斷的綜合多類別分析,其使用一個大型單導聯心電圖數據集來訓練機器學習模型,并通過無監督對比學習方法,將高維的心電數據嵌入低維流形空間,以端到端的方式使用34 層網絡同時輸出各種不同節律的診斷率,使每個心電數據都有唯一的低維向量與之對應,從而得到更適用于分類任務的特征表達方式,以實現定量測量分析和智能信號截取;經驗證,該模型對12 種節律的診斷效能與心臟病專家相似,F1 評分甚至超過了普通心臟病專家(0.837vs.0.780)。 在探索個體化心臟事件自動預警及風險評估方案的過程中,已有研究表明,使用深度神經網絡分析12 導聯心電圖電壓-時間數據特征,能顯著提升其預后評估價值[33],基于該模型的1 年死亡率的預測準確率可達0.88,同時還能發現被醫生判定為“正常心電圖”卻出現不良預后人群的心電特征。 在后續的心臟病專家盲法調查中,該模型有助于輔助臨床診斷,且在一定程度上提高了工作效率,展現出人機交互實現互補獲益的潛力。 在此基礎上,中國人民解放軍總醫院心血管內科團隊基于心臟磁共振(cardiac magnetic resonance, CMR),利用5 種機器學習模型挖掘心電預后信息,量化心電圖特征數據、心肌損傷標記物等易測量指標與CMR所示梗死面積之間的關系[34],發現隨機森林模型與堆疊模型的診斷性能更為突出(R2分別為0.668、0.579,MAE 分別為0.055、0.052);在識別不良心臟重塑風險方面,模型預測結果與CMR 對梗死面積的診斷具有同等效能,有助于進行預后評估,實現基于心電和CMR 的個體化預警。

4.3.2 基于穿戴設備動態追蹤心臟康復過程 心臟康復治療可促進心血管疾病的二級預防,也是心血管疾病患者持續護理的重要組成部分[35],但心血管疾病通常以其多因素、復雜性為特征,給動態心臟康復治療帶來了挑戰。 我國提出要以穿戴設備為基礎構建心臟主動健康智能管理體系,從而加快實現心臟監測家庭化、預測預警智能化和精準干預網絡化。 數據分析與處理是構建心臟主動健康智能管理體系的基石,而機器學習和人工智能可用于處理多方面的數據集,但人工智能模型的易解釋性至關重要,否則其診斷結果不易被臨床接受。de CANNIèRE等[28]嘗試在標準化活動測試中使用多參數傳感器來評估心臟康復治療患者在縱向隨訪中的心臟功能能力。 在心臟康復治療期間,受試者佩戴具有心電監測功能與加速度計設備的多參數傳感器進行6 min 步行測試,并將6 min 步行距離作為心臟功能容量的評價指標,以評估利用傳感器參數構建的SVM 模型結合不同特征和使用不同核類型時對心臟功能容量的預測性能。 該研究基于t-分布式隨機相鄰嵌入(t-SNE)技術對高維數據進行嵌入,可得到3D 圖像,從而可視化呈現了傳感器衍生的生物參數與功能能力之間的關系,以追蹤整個心臟康復治療程序中患者的功能演變。 該研究結果表明,將可穿戴監測設備與可視化的機器學習數據相結合,能客觀地跟蹤心臟康復治療進展,為非臥床心臟康復治療鋪平了道路。

4.3.3 健康狀態監測預警智能平臺建設 2018 年7 月21 日,在第十五屆心臟影像及心臟干預大會上首次提出了“全國心電一張網”項目的建設藍圖。“全國心電一張網”是以患者為中心,解決醫患之間、醫療機構之間的連接問題[36]。 基于“全國心電一張網”應用平臺,將穿戴設備采集的數據發送至平臺后,經過人工智能診斷和大數據分析,給出初步診斷、分級、預警等內容,醫療服務人員對數據及分析內容進行綜合評判,并給予居家或醫療干預方案。 按照危急等級分級管理機制,該平臺綜合調度用戶、基層機構或上級醫院進行干預,形成心血管疾病監測、預警、診斷、干預的閉環服務體系。

5 展望

近年來,全球都在積極整合醫療衛生服務和信息技術,不斷完善遠程心電系統,推動移動醫療衛生服務的優化和升級。 遠程心電診斷是遠程醫療不可或缺的一部分,人工智能技術的輔助進一步提高了遠程診療效率,降低了診療成本、醫保費用,也減輕了患者負擔。 這一方面有利于醫療衛生資源的共享和有效配置,促進了傳統醫療服務模式向互聯網遠程醫療服務模式轉化;另一方面,也有助于患者在院外隨時隨地接受專業的醫療服務,從而提高其生存質量。 這種無線化、網絡化和人性化的遠程心電系統將成為醫學領域的發展趨勢。