《人工智能在心血管疾病中的應(yīng)用科學(xué)聲明》解讀

【摘要】 人工智能（AI）是改善衛(wèi)生保健服務(wù)的新興技術(shù)。在全球政府機(jī)構(gòu)和學(xué)術(shù)部門的共同推進(jìn)下，大量研究論證AI可以改進(jìn)心血管疾病的診斷、治療和預(yù)防，但其發(fā)展和應(yīng)用仍存在一些限制，尚未在廣泛范圍內(nèi)服務(wù)臨床。基于此，美國心臟協(xié)會(huì)（AHA）于2024-04-02在Circulation發(fā)表了《人工智能在心血管疾病中的應(yīng)用科學(xué)聲明》（以下簡稱聲明）。該聲明綜述了AI在心血管疾病診斷、分類和治療中的研究進(jìn)展，提出了AI應(yīng)用中存在的問題以及潛在解決方案，并且構(gòu)建了未來AI在心血管領(lǐng)域應(yīng)用的框架。本文旨在對(duì)該聲明進(jìn)行解讀，為我國AI在心血管疾病的應(yīng)用和研究提供建議和方向。

【關(guān)鍵詞】 人工智能；心血管疾病；科學(xué)聲明；解讀；美國心臟協(xié)會(huì)

【中圖分類號(hào)】 R 54 【文獻(xiàn)標(biāo)識(shí)碼】 A DOI：10.12114/j.issn.1007-9572.2024.0192

Interpretation of the Use of Artificial Intelligence in Improving Outcomes in Heart Disease：a Scientific Statement from the American Heart Association

ZHOU Yiheng，YANG Ziyu，LYU Yao，LIU Lidi，SHEN Can，LIAO Xiaoyang，JIA Yu*

Teaching amp; Research Section/General Practice Research Institute，General Practice Medical Center，West China Hospital，Sichuan University，Chengdu 610041，China

*Corresponding author：JIA Yu，Research associate；E-mail：jiayu_huaxi@qq.com

ZHOU Yiheng and YANG Ziyu are co-first authors

【Abstract】 Artificial Intelligence（AI）is an emerging technology to improve healthcare services. With the joint promotion of government agencies and academic departments around the world，a large number of studies have demonstrated that AI can improve the diagnosis，treatment and prevention of cardiovascular disease. However，there are still some limitations in its development and application，and it has not yet been widely used in clinical practice. Based on this，the American Heart Association（AHA）published the Use of Artificial Intelligence in Improving Outcomes in Heart Disease：a Scientific Statement from the American Heart Association in Circulation on April 2，2024. This statement reviews the research progress of AI in the diagnosis，classification and treatment of cardiovascular disease，puts forward the existing problems and potential solutions，and builds a framework for the future application of AI in the cardiovascular disease. This article aims to interpret the statement for providing advice and direction for the application and research of AI in cardiovascular disease in China.

【Key words】 Artificial intelligence；Cardiovascular diseases；Scientific statement；Interpretation；American Heart Association

心血管疾病（cardiovascular diseases，CVD）是全球最主要的死亡原因，發(fā)病率呈持續(xù)上升趨勢［1］。CVD在不同病情階段異質(zhì)性明顯，精準(zhǔn)防治CVD仍然是當(dāng)前的巨大挑戰(zhàn)［2-3］，亟須探索解決路徑。人工智能（artificial intelligence，AI）可解析復(fù)雜數(shù)據(jù)、挖掘隱藏關(guān)聯(lián)、構(gòu)建數(shù)學(xué)模型，是改進(jìn)臨床實(shí)踐的新興技術(shù)，有望提高心血管領(lǐng)域的各項(xiàng)診治技術(shù)的準(zhǔn)確性和效率［4］。美國心臟協(xié)會(huì)（American Heart Association，AHA）于2024-04-02在Circulation發(fā)表的《人工智能在心血管疾病中的應(yīng)用科學(xué)聲明》（以下簡稱聲明）中提出，AI在醫(yī)學(xué)的應(yīng)用得到學(xué)術(shù)界和全球政府機(jī)構(gòu)的推動(dòng)，各級(jí)部門正在投入大量資源利用AI改變醫(yī)療保健服務(wù)，這促使過去十年與醫(yī)療保健相關(guān)的AI研究快速增長［5］。該聲明綜述了AI在心血管領(lǐng)域研究和臨床實(shí)踐中實(shí)現(xiàn)精準(zhǔn)醫(yī)療和實(shí)施科學(xué)的最新技術(shù)，展示了AI在心血管領(lǐng)域的推廣應(yīng)用現(xiàn)狀，并分析了相關(guān)局限性以及解決手段。考慮到該聲明對(duì)于推動(dòng)AI在心血管疾病研究、應(yīng)用和發(fā)展的重要作用，團(tuán)隊(duì)對(duì)此聲明進(jìn)行解讀，供同行學(xué)者參考。解讀團(tuán)隊(duì)由心血管病專家、全科醫(yī)學(xué)臨床醫(yī)生以及從事AI相關(guān)研究的臨床醫(yī)生組成。

1 聲明制訂背景與方法

該聲明是由SALAH S. Al-Zaiti博士代表AHA精準(zhǔn)心血管醫(yī)學(xué)研究所及其他多個(gè)委員會(huì)撰寫的科學(xué)聲明，旨在展現(xiàn)AI在心血管研究和臨床護(hù)理中實(shí)現(xiàn)精準(zhǔn)醫(yī)療和實(shí)施科學(xué)的當(dāng)前狀況以及說明AI的實(shí)踐情況和挑戰(zhàn)。該聲明適用于所有已應(yīng)用或者可能應(yīng)用AI的醫(yī)療衛(wèi)生機(jī)構(gòu)，包括初級(jí)醫(yī)療衛(wèi)生機(jī)構(gòu)、特殊醫(yī)療衛(wèi)生機(jī)構(gòu)、長期醫(yī)療衛(wèi)生機(jī)構(gòu)和社區(qū)，目標(biāo)人群為從事與心血管疾病有關(guān)的臨床醫(yī)生以及研究AI的科研人員。聲明主要是通過總結(jié)現(xiàn)有AI在心血管疾病診斷、分類和治療中的研究，提出了AI在心血管疾病各個(gè)領(lǐng)域的應(yīng)用和面臨的挑戰(zhàn)。

2 聲明的主要內(nèi)容

2.1 AI在影像學(xué)中的應(yīng)用

心臟影像學(xué)在臨床中存在一些問題，例如人才培養(yǎng)周期長、醫(yī)療資源不平等及圖像處理、分割、定量工作量大［6］。AI的成像工具可能是這些問題的有效解決方案。

AI算法在心臟疾病診斷和預(yù)后方面得到廣泛運(yùn)用，不僅涵蓋了安排和調(diào)度圖像獲取的過程，還能減少圖像獲取和處理時(shí)間，減少輻射暴露和對(duì)比劑使用量。另外，AI算法還能輔助于診斷和報(bào)告，為臨床決策提供支持，并預(yù)估患者的預(yù)后。AI在多種心臟成像方式（超聲心動(dòng)圖、心臟CT、心臟核磁共振成像和核醫(yī)學(xué)成像）均有應(yīng)用價(jià)值。在超聲心動(dòng)圖中，AI可以自動(dòng)分割心室容積進(jìn)行分析，計(jì)算射血分?jǐn)?shù)，評(píng)估瓣膜結(jié)構(gòu)以及縱向應(yīng)變和心室壁運(yùn)動(dòng)異常［7］。在心臟CT中，AI可以自動(dòng)量化冠狀動(dòng)脈斑塊和血流，對(duì)冠狀動(dòng)脈評(píng)分從而評(píng)估心血管風(fēng)險(xiǎn)，以及計(jì)算血流儲(chǔ)備分?jǐn)?shù)和心肌灌注［8］。例如，我國學(xué)者CHEN等［9］以299例冠心病患者的血管內(nèi)超聲為參考標(biāo)準(zhǔn)，構(gòu)建了基于冠脈CT的斑塊影像模型，發(fā)現(xiàn)建立的影像模型比傳統(tǒng)根據(jù)斑塊解剖學(xué)特征判斷易損斑塊的準(zhǔn)確度更高，并且與不良心血管事件相關(guān)。AI在心臟核磁中能夠自動(dòng)分析心室結(jié)構(gòu)和體積以及心肌血流和灌注儲(chǔ)備［10］。在核醫(yī)學(xué)成像方面，AI可以用于心肌血流和流動(dòng)儲(chǔ)備的量化以及其心血管死亡率的預(yù)測。另外，AI在心臟疾病的治療以及卒中的早期診斷和預(yù)后預(yù)測等方面有一定的應(yīng)用價(jià)值。

AI在影像學(xué)中的應(yīng)用面臨一些挑戰(zhàn)，如數(shù)據(jù)樣本量偏小、數(shù)據(jù)整理復(fù)雜等。聲明指出，通過采用適當(dāng)?shù)膶W(xué)習(xí)技術(shù)（例如監(jiān)督學(xué)習(xí)或者非監(jiān)督學(xué)習(xí)）、開發(fā)深度學(xué)習(xí)、建立數(shù)據(jù)共享機(jī)制，可能是有效的解決途徑。

2.2 AI在電生理方面的應(yīng)用

在電生理領(lǐng)域，AI通過自動(dòng)化解讀可以識(shí)別心電信號(hào)。多項(xiàng)研究表明AI可以擴(kuò)展現(xiàn)有專家的能力，實(shí)現(xiàn)心電圖報(bào)告的自動(dòng)化和精確解讀［11-13］，然而，由于目前臨床數(shù)據(jù)的應(yīng)用相對(duì)不足，這可能對(duì)醫(yī)療決策產(chǎn)生不利影響［14］。其次，可以識(shí)別人工難以識(shí)別的心電圖的微妙變化，增強(qiáng)對(duì)疾病表型的鑒別。此外，在疾病發(fā)生過程中，心臟電活動(dòng)的改變較影像學(xué)改變和結(jié)構(gòu)改變出現(xiàn)得更早，因此AI的應(yīng)用可能有助于發(fā)現(xiàn)隱匿性疾病和預(yù)測相關(guān)疾病。

回顧性研究中顯示AI可以通過心電圖在不同人群（不同性別、種族、妊娠狀態(tài)）中識(shí)別出左心室功能不全［15］。另外，在超過20 000例非心力衰竭患者中，AI通過心電圖對(duì)心室功能不全的檢測率相比常規(guī)方法提高了32%［16］。AI還可以識(shí)別其他結(jié)構(gòu)性心臟病，包括肥厚型心肌病、淀粉樣變性、主動(dòng)脈狹窄和肺動(dòng)脈高壓。在36 280例患者中（已知8.4%具有陣發(fā)性心房顫動(dòng)），AI通過單導(dǎo)聯(lián)心電圖識(shí)別無癥狀心房顫動(dòng)的受試者工作特征曲線下面積（AUC）為0.87［12］。我國有研究通過整合心電圖和影像學(xué)等資料開發(fā)出的AI模型成功用于主動(dòng)脈夾層的診斷［17］，這一成果拓展了AI在心電圖領(lǐng)域的應(yīng)用，表明可以利用AI對(duì)心電圖以及其他資料進(jìn)行整合開發(fā)，從而增強(qiáng)對(duì)心血管疾病的識(shí)別能力。此外，還有研究顯示AI可以分別通過心內(nèi)的心臟電信號(hào)、心電圖或者患者臨床特征來預(yù)測消融后心房顫動(dòng)的再發(fā)生率，均比現(xiàn)有的臨床評(píng)分具有更高的準(zhǔn)確度，而且多模態(tài)融合心臟電信號(hào)、心電圖和患者臨床特征可以進(jìn)一步提高預(yù)測準(zhǔn)確度［18］。

AI在電生理領(lǐng)域應(yīng)用的局限性包括在大型人群中應(yīng)用的穩(wěn)健性不足，缺乏前瞻性的臨床研究。通過結(jié)合心血管電生理專業(yè)知識(shí)、加強(qiáng)醫(yī)療和AI的交叉融合、增加結(jié)果可解釋性，有助于提高AI在人群應(yīng)用的穩(wěn)健性。

2.3 AI在院內(nèi)監(jiān)測的應(yīng)用

傳統(tǒng)的院內(nèi)監(jiān)測系統(tǒng)在生命指標(biāo)超出給定閾值時(shí)即會(huì)發(fā)出警報(bào)，這種警報(bào)方法忽略了個(gè)體生理信號(hào)之間的潛在變化，有研究顯示5%～13%的監(jiān)測警報(bào)是有價(jià)值的［19］，無效警報(bào)在重癥監(jiān)護(hù)室較常見，大部分無效警報(bào)可能會(huì)分散醫(yī)生的注意力從而危害患者健康。

AI可以優(yōu)化患者的監(jiān)護(hù)，提高監(jiān)測準(zhǔn)確性。在重癥監(jiān)護(hù)室應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)可以區(qū)分真假監(jiān)護(hù)報(bào)警，從而減少警報(bào)疲勞［20］。在預(yù)測病情惡化方面，床旁監(jiān)測AI可以識(shí)別出重癥監(jiān)護(hù)室監(jiān)測心力衰竭的惡化和失代償前的細(xì)微生理特征變化，從而進(jìn)行早期干預(yù)。另外，AI可以對(duì)敗血癥和低血壓提前預(yù)測，較傳統(tǒng)方法提前3～40 h并且有很高的準(zhǔn)確性。一項(xiàng)納入36項(xiàng)研究（包含6項(xiàng)隨機(jī)對(duì)照試驗(yàn)）的Meta分析顯示，基于AI算法預(yù)測敗血癥并早期干預(yù)相比其他預(yù)測敗血癥的策略死亡率更低（相對(duì)風(fēng)險(xiǎn)度為0.56）［21］。AI可以利用心電圖、血壓和經(jīng)皮血氧飽和度預(yù)測心室纖顫的發(fā)生，對(duì)心室纖顫發(fā)作5 min～6 h的準(zhǔn)確性為0.83～0.94［22］。在心房顫動(dòng)的預(yù)測方面，一項(xiàng)納入6 040例心臟手術(shù)術(shù)后患者的研究顯示，AI預(yù)測術(shù)后心房顫動(dòng)的發(fā)生率優(yōu)于標(biāo)準(zhǔn)化臨床評(píng)分。AI還可以預(yù)測既往心房顫動(dòng)病史的住院患者發(fā)生卒中、短暫性缺血發(fā)作和出血的風(fēng)險(xiǎn)［23］。AI也可以有效預(yù)測各種手術(shù)圍術(shù)期并發(fā)癥和死亡率，可以改善患者選擇、手術(shù)設(shè)計(jì)和知情同意。

AI在院內(nèi)監(jiān)測的應(yīng)用面臨一些挑戰(zhàn)，包括缺乏嚴(yán)格的前瞻性評(píng)估、對(duì)臨床終點(diǎn)的影響有限、難以做出影響臨床決策的預(yù)測，以及缺乏標(biāo)準(zhǔn)化平臺(tái)向臨床醫(yī)生報(bào)告預(yù)測等問題。此外，聲明還指出噪聲干擾和監(jiān)測數(shù)據(jù)的有效性等問題。對(duì)此，通過設(shè)計(jì)前瞻性試驗(yàn)可以驗(yàn)證AI評(píng)估的準(zhǔn)確性，延長數(shù)據(jù)采集時(shí)間、增強(qiáng)監(jiān)測數(shù)據(jù)的有效性。

2.4 AI在可穿戴/可植入設(shè)備的應(yīng)用

植入式和可穿戴技術(shù)可以為臨床醫(yī)生提供連續(xù)性的生理數(shù)據(jù)，合理解讀這些數(shù)據(jù)可以更全面地了解疾病進(jìn)展、找到新的干預(yù)時(shí)間點(diǎn)、重新定義住院和門診的界限，改善醫(yī)療不平衡。

聲明指出可穿戴設(shè)備可以記錄使用者的運(yùn)動(dòng)、心率、心律和血壓情況，可以用于日常健康管理甚至疾病診斷。大量研究表明基于AI的可穿戴設(shè)備可以監(jiān)測近期心房顫動(dòng)的發(fā)生，還可以利用脈沖信號(hào)測量血壓。我國一項(xiàng)納入近25萬人的心房顫動(dòng)篩查研究顯示0.23%的參與者收到心房顫動(dòng)預(yù)警且陽性值高達(dá)91.6%［24］。可穿戴設(shè)備還可以指導(dǎo)心力衰竭患者的管理，一項(xiàng)多中心的研究顯示將AI應(yīng)用于智能手機(jī)的可穿戴的多傳感器胸貼，可以對(duì)心力衰竭加重有很高的預(yù)測價(jià)值（靈敏度為88%，特異度為85%）［25］。植入式設(shè)備也可以提供數(shù)據(jù)監(jiān)測以改善心血管護(hù)理，包括植入式心律失常監(jiān)測器、起搏器或除顫器。

可穿戴設(shè)備應(yīng)用的局限性包括信號(hào)質(zhì)量和患者舒適度。可穿戴設(shè)備的數(shù)據(jù)隱私問題需要得到進(jìn)一步的解決，數(shù)據(jù)的隱私和完整性需要得到保護(hù)，比如可以建立基于AI技術(shù)的可穿戴設(shè)備的監(jiān)管途徑。另外，許多已公開發(fā)表的AI算法缺乏透明度和可復(fù)現(xiàn)性［26］，需要進(jìn)一步的前瞻性研究或臨床試驗(yàn)來驗(yàn)證AI算法的可信度。例如，有研究表明通過可穿戴設(shè)備診斷的心房顫動(dòng)僅有34%～65%的準(zhǔn)確性，大部分心房顫動(dòng)記錄無法得到證實(shí)［27］。在接受度方面，有調(diào)查顯示35%的臨床工作者拒絕將基于AI技術(shù)的可穿戴設(shè)備應(yīng)用于患者管理［28］。

2.5 AI在遺傳變異的應(yīng)用

DNA測序項(xiàng)目提供了大量的人類基因組數(shù)據(jù)，結(jié)合表型信息和生活方式，為AI提供了所需的訓(xùn)練數(shù)據(jù)。AI對(duì)心血管疾病風(fēng)險(xiǎn)變異的識(shí)別，可以預(yù)測個(gè)體未來的疾病風(fēng)險(xiǎn)，開啟疾病進(jìn)行監(jiān)測的新階段，有助于開發(fā)靶向藥物和預(yù)測疾病的嚴(yán)重程度。利用AI將多基因風(fēng)險(xiǎn)評(píng)分和臨床信息結(jié)合，可能會(huì)推進(jìn)精準(zhǔn)醫(yī)療在心血管疾病中的應(yīng)用和實(shí)施。然而，識(shí)別心血管疾病風(fēng)險(xiǎn)變異的AI尚處于開發(fā)階段，需要不斷地發(fā)展完善才可能成熟應(yīng)用。

2.6 AI在電子病歷的應(yīng)用

利用AI對(duì)電子病歷進(jìn)行分析可以改善疾病監(jiān)測，將患者分層為“可治療類型”和“不可治療類型”，并基于此確定臨床工作流程。另一方面，電子病歷中記錄了大量的數(shù)據(jù)，包括患者病史、實(shí)驗(yàn)室檢查、影像學(xué)檢查、臨床結(jié)局等，AI可以整合這些信息，從中提取出有用的模式和關(guān)聯(lián)，從而對(duì)疾病結(jié)果進(jìn)行預(yù)測。聲明描述了幾個(gè)基于電子病歷的成功應(yīng)用案例。

在預(yù)測死亡率方面，一項(xiàng)總結(jié)了21項(xiàng)基于AI使用電子病歷預(yù)測院內(nèi)死亡率的綜述顯示，AI預(yù)測重癥監(jiān)護(hù)室死亡率正確性約為86%［29］。另一項(xiàng)納入超20萬名重癥監(jiān)護(hù)室患者的研究顯示［30］，AI基于電子病歷預(yù)測患者30 d死亡率的準(zhǔn)確性高于簡化急性生理學(xué)評(píng)分（SAPS）。AI使用電子病歷預(yù)測不良心血管事件也具有很高的準(zhǔn)確性，一項(xiàng)納入7 686例患者電子病歷的研究顯示［31］，在對(duì)1 000個(gè)變量進(jìn)行分析后，預(yù)測研究的AUC為0.81。在疾病分類方面，AI可以整合多個(gè)復(fù)雜數(shù)據(jù)來更好地對(duì)疾病進(jìn)行分類。比如，對(duì)于心力衰竭的分類，AI不局限于傳統(tǒng)的射血分?jǐn)?shù)保留和射血分?jǐn)?shù)下降的分類，還整合了多種模式的數(shù)據(jù)，以識(shí)別心力衰竭不良預(yù)后風(fēng)險(xiǎn)增高的患者。

基于AI分析電子病歷在臨床中的應(yīng)用也存在一些限制，比如電子病歷的質(zhì)量和準(zhǔn)確性。在分析電子病歷時(shí)也會(huì)產(chǎn)生潛在偏差，比如臨床醫(yī)生會(huì)對(duì)病情嚴(yán)重或者不穩(wěn)定的患者進(jìn)行更多的檢查以及重復(fù)檢查，因此收集的病歷其實(shí)有臨床醫(yī)生的潛在判斷，而且這種偏差在不同的臨床醫(yī)生中具有高度變異性。而且，不同實(shí)驗(yàn)室的測量結(jié)果并非完全相同，這可能造成研究結(jié)果缺乏普遍性。另外，目前仍然缺乏足夠的證據(jù)表明基于電子病歷的AI預(yù)測可以對(duì)患者預(yù)后產(chǎn)生積極影響。

3 AI在心血管領(lǐng)域?qū)嵤┑目蚣?/p>

聲明針對(duì)未來如何在心血管領(lǐng)域應(yīng)用AI提出了一系列綜合性策略，確保AI在心血管疾病和管理中的有效應(yīng)用和整合。這一框架不僅著眼于技術(shù)和科學(xué)層面的考量，同時(shí)強(qiáng)調(diào)了倫理、法規(guī)、教育和患者參與的重要性，旨在指導(dǎo)從AI技術(shù)開發(fā)到臨床實(shí)踐的整個(gè)過程，構(gòu)建一個(gè)全面、可持續(xù)發(fā)展的系統(tǒng)，以促進(jìn)AI技術(shù)在心血管醫(yī)學(xué)領(lǐng)域的成功實(shí)施和應(yīng)用。結(jié)合聲明全文內(nèi)容，團(tuán)隊(duì)總結(jié)框架內(nèi)容如下：

（1）數(shù)據(jù)質(zhì)量與標(biāo)準(zhǔn)化：強(qiáng)調(diào)數(shù)據(jù)的質(zhì)量和標(biāo)準(zhǔn)化是成功實(shí)施AI的關(guān)鍵。這需要確保所收集數(shù)據(jù)的準(zhǔn)確性、全面性和代表性，并遵循統(tǒng)一的數(shù)據(jù)格式和標(biāo)準(zhǔn)，以便于數(shù)據(jù)的共享、分析和跨平臺(tái)兼容。

（2）多學(xué)科協(xié)作：提倡建立一個(gè)跨學(xué)科的協(xié)作環(huán)境，讓醫(yī)生、數(shù)據(jù)科學(xué)家、AI技術(shù)專家、患者以及政策制定者等多方參與到AI解決方案的開發(fā)和實(shí)施過程中。這有助于從不同的角度理解心血管醫(yī)學(xué)的需求和挑戰(zhàn)，并共同開發(fā)出更加有效、可靠的AI算法。

（3）透明性與可解釋性：對(duì)于心血管醫(yī)學(xué)中使用的AI模型，要求其不僅需要有高精度，同時(shí)也要具備透明性和可解釋性，即模型的決策過程可以被醫(yī)生和患者理解，確保醫(yī)療決策的信任度和接受度。

（4）法規(guī)遵從與倫理考量：強(qiáng)調(diào)在AI技術(shù)的開發(fā)和應(yīng)用過程中，必須遵循相關(guān)法規(guī)政策，并嚴(yán)格考慮倫理問題，包括但不限于患者隱私保護(hù)、數(shù)據(jù)安全以及公平性等問題。

（5）驗(yàn)證與臨床試驗(yàn)：在AI技術(shù)正式應(yīng)用于臨床之前，必須通過嚴(yán)格的驗(yàn)證和臨床試驗(yàn)，以評(píng)估其安全性、有效性和可靠性。這包括在多樣化的患者群體中進(jìn)行大規(guī)模的驗(yàn)證，確保技術(shù)的普適性和廣泛應(yīng)用價(jià)值。

（6）持續(xù)監(jiān)測與改進(jìn)：強(qiáng)調(diào)持續(xù)監(jiān)測對(duì)AI系統(tǒng)的重要性，并根據(jù)臨床反饋和技術(shù)進(jìn)步不斷優(yōu)化和調(diào)整模型。這有助于實(shí)時(shí)發(fā)現(xiàn)并解決可能出現(xiàn)的問題，保障患者的健康和安全。

（7）教育與培訓(xùn)：為了確保醫(yī)療人員能夠有效使用AI技術(shù)，提倡對(duì)醫(yī)生、護(hù)士等臨床人員進(jìn)行必要的AI教育和技能培訓(xùn)，提高他們對(duì)新技術(shù)的認(rèn)識(shí)和應(yīng)用能力。

（8）患者參與：鼓勵(lì)將患者納入AI技術(shù)的開發(fā)和評(píng)估過程中，確保技術(shù)設(shè)計(jì)和實(shí)施能夠滿足患者的實(shí)際需求，以及提高患者對(duì)于使用AI技術(shù)的接受度和滿意度。

4 聲明對(duì)我國臨床實(shí)踐和指南制訂的意義

4.1 對(duì)我國臨床實(shí)踐的意義

聲明強(qiáng)調(diào)了利用AI技術(shù)實(shí)現(xiàn)精準(zhǔn)醫(yī)學(xué)和實(shí)施科學(xué)在心血管疾病研究和臨床中的應(yīng)用，這為我國在心血管醫(yī)學(xué)領(lǐng)域推行精準(zhǔn)醫(yī)學(xué)提供了重要的參考和借鑒，有助于提升治療效率和個(gè)體化治療水平。另外，AI技術(shù)可以在一定程度上解決我國醫(yī)療資源不平衡的現(xiàn)狀，對(duì)于改善偏遠(yuǎn)和欠發(fā)達(dá)地區(qū)的醫(yī)療服務(wù)有重要意義。但是，考慮到前文所述應(yīng)用AI的限制，臨床工作中應(yīng)當(dāng)把AI處理的結(jié)果當(dāng)作決策的參考意見而非決定因素。

4.2 對(duì)我國指南制訂的意義

聲明指出AI應(yīng)用的研究現(xiàn)狀以及存在的挑戰(zhàn)，為我國心血管疾病治療指南的制訂和更新提供了多維度參考。應(yīng)用AI有助于改善對(duì)心血管疾病的篩查、預(yù)測、診斷和治療，但是需要更多的前瞻性、多中心和隨機(jī)對(duì)照研究來提高AI應(yīng)用的證據(jù)等級(jí)。

5 小結(jié)

該聲明為心血管醫(yī)學(xué)領(lǐng)域的科研和臨床實(shí)踐提供了前沿技術(shù)的應(yīng)用展望，還提出了實(shí)施中需關(guān)注的多個(gè)關(guān)鍵問題，對(duì)于推動(dòng)我國AI的發(fā)展和應(yīng)用有顯著的參考價(jià)值。同時(shí)，聲明為我國制訂和完善心血管疾病治療指南提供了重要參考，特別是在充分利用AI技術(shù)、提升治療效果、保證患者安全等方面。聲明鼓勵(lì)跨學(xué)科合作，促進(jìn)技術(shù)的平等化應(yīng)用，并指出了當(dāng)前實(shí)踐中需要注意的問題和挑戰(zhàn)。但是AI的應(yīng)用也有一定局限性，比如AI可靠性尚未得到大規(guī)模驗(yàn)證，缺乏前瞻性研究，存在數(shù)據(jù)安全性和相關(guān)法律制定問題，缺乏證據(jù)支持應(yīng)用AI可以改善患者預(yù)后等。因此，相關(guān)問題是未來的研究重心，以促進(jìn)AI服務(wù)臨床實(shí)踐。

作者貢獻(xiàn)：周伊恒、楊梓鈺負(fù)責(zé)文章的構(gòu)思與設(shè)計(jì)、論文撰寫；呂垚、劉力滴、沈燦、廖曉陽負(fù)責(zé)對(duì)文章的修訂；賈禹負(fù)責(zé)文章的質(zhì)量控制及審校，對(duì)文章整體負(fù)責(zé)。

本文無利益沖突。

參考文獻(xiàn)

［1］CREA F. Challenges in the prevention of cardiovascular diseases：traditional and non-traditional risk factors［J］. Eur Heart J，2021，42（21）：2025-2029. DOI：10.1093/eurheartj/ehab296.

［2］VALENZUELA P L，RUILOPE L M，SANTOS-LOZANO A，et al.

Exercise benefits in cardiovascular diseases：from mechanisms to clinical implementation［J］. Eur Heart J，2023，44（21）：1874-1889. DOI：10.1093/eurheartj/ehad170.

［3］LAVIE C J. Progress in cardiovascular diseases statistics 2022［J］. Prog Cardiovasc Dis，2022，73：94-95. DOI：10.1016/j.pcad.2022.08.005.

［4］王義為，楊婷婷，朱光宇，等. 心血管數(shù)字醫(yī)學(xué)的臨床應(yīng)用進(jìn)展及展望［J］. 中國心血管病研究，2023，21（8）：740-745. DOI：10.3969/j.issn.1672-5301.2023.08.012.

［5］ARMOUNDAS A A，NARAYAN S M，ARNETT D K，et al. Use of artificial intelligence in improving outcomes in heart disease：a scientific statement from the American Heart Association［J］. Circulation，2024，149（14）：e1028-1050. DOI：10.1161/CIR.0000000000001201.

［6］WEIKERT T，F(xiàn)RANCONE M，ABBARA S，et al. Machine learning in cardiovascular radiology：ESCR position statement on design requirements，quality assessment，current applications，opportunities，and challenges［J］. Eur Radiol，2021，31（6）：3909-3922. DOI：10.1007/s00330-020-07417-0.

［7］VAN DEN OEVER L B，VONDER M，VAN ASSEN M，et al. Application of artificial intelligence in cardiac CT：from basics to clinical practice［J］. Eur J Radiol，2020，128：108969. DOI：10.1016/j.ejrad.2020.108969.

［8］RAU A，SOSCHYNSKI M，TARON J，et al. Artificial intelligence and radiomics：value in cardiac MRI［J］. Radiologie，2022，

62（11）：947-953. DOI：10.1007/s00117-022-01060-0.

［9］CHEN Q，PAN T，WANG Y N，et al. A coronary CT angiography radiomics model to identify vulnerable plaque and predict cardiovascular events［J］. Radiology，2023，307（2）：e221693. DOI：10.1148/radiol.221693.

［10］NARAYAN S M，WANG P J，DAUBERT J P. New concepts in sudden cardiac arrest to address an intractable epidemic：JACC state-of-the-art review［J］. J Am Coll Cardiol，2019，73（1）：70-88. DOI：10.1016/j.jacc.2018.09.083.

［11］BOLLEPALLI S C，SEVAKULA R K，AU-YEUNG W M，et al. Real-time arrhythmia detection using hybrid convolutional neural networks［J］. J Am Heart Assoc，2021，10（23）：e023222. DOI：10.1161/JAHA.121.023222.

［12］ATTIA Z I，NOSEWORTHY P A，LOPEZ-JIMENEZ F，et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm：a retrospective analysis of outcome prediction［J］. Lancet，2019，394（10201）：861-867. DOI：10.1016/S0140-6736（19）31721-0.

［13］AL-ZAITI S，BESOMI L，BOUZID Z，et al. Machine learning-based prediction of acute coronary syndrome using only the pre-hospital 12-lead electrocardiogram［J］. Nat Commun，2020，11（1）：3966. DOI：10.1038/s41467-020-17804-2.

［14］SMITH S W，WALSH B，GRAUER K，et al. A deep neural network learning algorithm outperforms a conventional algorithm for emergency department electrocardiogram interpretation［J］. J Electrocardiol，2019，52：88-95. DOI：10.1016/j.jelectrocard.2018.11.013.

［15］YAO X X，RUSHLOW D R，INSELMAN J W，et al. Artificial intelligence-enabled electrocardiograms for identification of patients with low ejection fraction：a pragmatic，randomized clinical trial［J］. Nat Med，2021，27（5）：815-819. DOI：10.1038/s41591-021-01335-4.

［16］SIONTIS K C，LIU K，BOS J M，et al. Detection of hypertrophic cardiomyopathy by an artificial intelligence electrocardiogram in children and adolescents［J］. Int J Cardiol，2021，340：42-47. DOI：10.1016/j.ijcard.2021.08.026.

［17］LIU W T，LIN C S，TSAO T P，et al. A deep-learning algorithm-enhanced system integrating electrocardiograms and chest X-rays for diagnosing aortic dissection［J］. Can J Cardiol，2022，38（2）：160-168. DOI：10.1016/j.cjca.2021.09.028.

［18］TANG S Y，RAZEGHI O，KAPOOR R，et al. Machine learning-enabled multimodal fusion of intra-atrial and body surface signals in prediction of atrial fibrillation ablation outcomes［J］. Circ Arrhythm Electrophysiol，2022，15（8）：e010850. DOI：10.1161/CIRCEP.122.010850.

［19］RUSH B，CELI L A，STONE D J. Applying machine learning to continuously monitored physiological data［J］. J Clin Monit Comput，2019，33（5）：887-893. DOI：10.1007/s10877-018-0219-z.

［20］GUGLIN M E，THATAI D. Common errors in computer electrocardiogram interpretation［J］. Int J Cardiol，2006，106（2）：232-237. DOI：10.1016/j.ijcard.2005.02.007.

［21］SYED M，SYED S，SEXTON K，et al. Application of machine learning in intensive care unit（ICU）settings using MIMIC dataset：systematic review［J］. Informatics，2021，8（1）：16. DOI：10.3390/informatics8010016.

［22］MATAM B R，DUNCAN H，LOWE D. Machine learning based framework to predict cardiac arrests in a paediatric intensive care unit：prediction of cardiac arrests［J］. J Clin Monit Comput，2019，33（4）：713-724. DOI：10.1007/s10877-018-0198-0.

［23］FALSETTI L，RUCCO M，PROIETTI M，et al. Risk prediction of clinical adverse outcomes with machine learning in a cohort of critically ill patients with atrial fibrillation［J］. Sci Rep，2021，11（1）：18925. DOI：10.1038/s41598-021-97218-2.

［24］GUO Y T，WANG H，ZHANG H，et al. Mobile photoplethysmographic technology to detect atrial fibrillation［J］. J Am Coll Cardiol，2019，74（19）：2365-2375. DOI：10.1016/j.jacc.2019.08.019.

［25］SHAH A J，ISAKADZE N，LEVANTSEVYCH O，et al. Detecting heart failure using wearables：a pilot study［J］. Physiol Meas，2020，41（4）：44001. DOI：10.1088/1361-6579/ab7f93.

［26］HAIBE-KAINS B，ADAM G A，HOSNY A，et al. Transparency and reproducibility in artificial intelligence［J］. Nature，2020，586（7829）：E14-16. DOI：10.1038/s41586-020-2766-y.

［27］WYATT K D，POOLE L R，MULLAN A F，et al. Clinical evaluation and diagnostic yield following evaluation of abnormal pulse detected using Apple Watch［J］. J Am Med Inform Assoc，2020，27（9）：1359-1363. DOI：10.1093/jamia/ocaa137.

［28］TRAN V T，RIVEROS C，RAVAUD P. Patients' views of wearable devices and AI in healthcare：findings from the ComPaRe e-cohort［J］. NPJ Digit Med，2019，2：53. DOI：10.1038/s41746-019-0132-y.

［29］PIRRACCHIO R，PETERSEN M L，CARONE M，et al. Mortality prediction in intensive care units with the Super ICU Learner Algorithm（SICULA）：a population-based study［J］. Lancet Respir Med，2015，3（1）：42-52. DOI：10.1016/S2213-2600（14）70239-5.

［30］WU T T，ZHENG R F，LIN Z Z，et al. A machine learning model to predict critical care outcomes in patient with chest pain visiting the emergency department［J］. BMC Emerg Med，2021，21（1）：112. DOI：10.1186/s12873-021-00501-8.

［31］ZHAO J，F(xiàn)ENG Q P，WU P，et al. Learning from longitudinal data in electronic health record and genetic data to improve cardiovascular event prediction［J］. Sci Rep，2019，9（1）：717. DOI：10.1038/s41598-018-36745-x.

（收稿日期：2024-04-10；修回日期：2024-07-25）

（本文編輯：趙躍翠）