人工智能（artificial intelligence，AI）是基于計算機科學來模擬人腦學習知識、 儲存知識、思考規劃的思維過程的一種技術。人工智能包括一系列技術：機器學 習（machine learning，ML）、深度學習（deep learning，DL）、自然語言處理（NLP）、 認知計算、計算機視覺和機器人等。近年來，人工智能技術發展突飛猛進，自動 駕駛、人臉識別、文本處理等已經出現在我們的生活領域。然而，與金融技術、 信息技術和航空航天等其他行業相比，人工智能在醫療領域的應用速度相對緩慢。目前，人工智能在心臟病學中的應用主要包括兩個方面，一是基于電子健康記錄 和醫學圖像等來源的 ML/DL、NLP 和認知計算等，另一個代表是介入機器人。

    人工智能在心血管疾病特定領域的當前和未來應用：

（1）超聲心動圖

    超聲心動圖可以便捷、及時、經濟地評估心臟結構和功能，在診斷和評價心 血管疾病方面有重要價值。然而，超聲心動圖在圖像質量和診斷效用方面仍存在 相當大的變異性。超聲心動圖仍然高度依賴于操作者的經驗，因此，通過人工智 能，可以進行增強和標準化超聲心動圖評價。

    隨著 ML 方法的成熟，包括卷積神經網絡用于圖像分類，臨床超聲心動圖數 據的累積量增加，給超聲心動圖人工智能平臺的研發提供了充足的機會。這方面 的創新可以通過自動測量、病理特征（瓣膜疾病、局部室壁運動異常、心肌病） 的識別在治療中快速應用，可以改進和標準化目前流程。超聲心動圖人工智能研 究的優勢和前景在于識別可能提示亞臨床疾病或預后的細微或未被識別的影像學 特征。

    盡管人工智能模型的性能一直在持續改善，但要承認的是，人工智能必須克 服一些重要的挑戰，才能安全地應用于臨床實踐。與任何模型一樣，研發數據的 質量和臨床特征是必須的參考因素。超聲心動圖相關的數據數量大且復雜，一個 強大的超聲心動圖人工智能平臺將需要對大量研究進行培訓和驗證，這些研究包 括廣泛的臨床特征、病理特征、超聲機器供應商和圖像質量等。目前關于超聲心動圖人工智能的研究通常存在樣本規模小，受機構、地理因素、超聲心動圖機器 品牌限制等，這就可能存在過度融合和限制平臺通用性的風險。此外，目前超聲 心動圖研究很大程度上依賴于人的解釋，人在解釋和測量方面存在內在的差異性。 

    超聲心動圖人工智能代表了一個激動人心的機會，它將徹底改變臨床實踐。經過驗證的超聲心動人工智能模型將有能力提高質量，進行即時醫療決策，并促 進公平獲得診斷評價。預計超聲心動圖人工智能將影響患者診治，期待相關改善 臨床結果和成本效益的臨床研究。

（2）心臟核醫學 

    與心臟病學的其他學科不同，人工智能技術已經被納入心臟核醫學的一些常 規操作。人工智能算法已被應用于圖像處理，允許進行完全自動的單光子發射計 算機斷層掃描（SPECT）、心肌灌注成像（MPI）運動校正、重建、量化和高水平 分析。

    商業化和美國食品藥物管理局批準的圖像軟件已經納入正常心肌灌注分布的 數據庫，為專家讀者提供計算機輔助診斷工具，用于識別低灌注心肌。這些類型 的自動化，機器學習的數字圖像數據，以及人工智能算法的 SPECT MPI 數據，單 獨使用或者結合臨床特點，進一步提高了冠心病診斷的預后判斷價值，為是否血 運重建提供合理的臨床決策依據。

    1）提高診斷性能：在一項單中心研究中，ML 算法包含成像變量（通過定量 軟件進行的靜息和壓力 SPECT 的灌注缺失、缺血變化和射血分數變化）在總體患 者診斷準確性方面優于單個定量成像參數（86% vs 81%；P＜ 0.01）。ML 算法檢 測阻塞性 CAD 的曲線下總面積（AUC）（0.92±0.01）也顯著高于兩個人工讀片者 （0.87±0.01 和 0.88±0.01；P＜ 0.05）。使用不同的數據集，同一組人創建了集成 臨床和成像變量（由自動化軟件生成的總灌注不足 [TPD]）的人工智能算法。研究 證明 ML（87.3%±2.1%）的準確性高于一個或者兩個專家讀片者（82.1%±2.2%） 或自動 TPD（82.8%±2.2%）。在檢測檢測阻塞性 CAD 方面有更高的敏感性。一項 1638 名參與的多中心研究顯示：無已知 CAD 的患者使用 SPECT 掃描儀也發現與傳 統相比，深度學習（DL）利用原始和定量的 MPI 極地圖的 AUC 值均更高�；�于這 些研究，人工智能算法在預測梗阻性 CAD 方面比目前的臨床方法提高了約 2.5%。其他研究發現一致，與專家醫師視覺分析相比，訓練有素的神經網絡在識別特定冠狀動脈狹窄病變引起的低灌注分布方面具有類似的良好性能。 

    2）治療和預后預測：在首次 MPI 掃描后 90 天內進行相關侵入性血管造影的 713 例 SPECT MPI 研究中，人工智能方法也被用于預測疑似 CAD 患者的早期血運重 建。通過 ML 算法對幾個自動衍生的影像學變量和臨床參數進行整合，包括性別、 高血壓和糖尿病史、基線心電圖 ST 段壓低、運動心電圖和臨床變化（總共 33 個變 量），以預測血運重建事件。ML 預測血流量重建的 AUC（0.81±0.02）與單個醫生 的 AUC（0.81±0.02）相近，優于另一個醫生的 AUC（0.72+0.02；P＜ 0.05）。因 此，在本研究中，ML 在預測 MPI 后早期血運重建方面與有經驗的醫生相當或更好。在預后方面，Betancur 等人研究了 2 619 例 SPECT MPI 患者，并將 28 個臨床、17 個 壓力測試和 25 個成像變量（包括 TPD）整合到人工智能算法中來預測主要心臟事 件。在超過（3.2+0.6）年的隨訪中，他們比較了 AUC 對以下結果的預測：ML 與所 有可用數據（ML combined）、ML 與僅影像學數據（ML-imaging）、5 分制診斷（內 科診斷）、自動化定量成像分析（負荷 TPD 和缺血性 TPD）。他們發現，ML 聯合組 的 MACE 預測顯著高于 ML 成像組（AUC, 0.81 vs 0.78；P＜ 0.01）。ML 組合模型的 預測精度也高于內科診斷、自動壓力 TPD 和自動缺血 TPD （AUC，分別為 0.81 vs  0.65、0.73 和 0.71；P＜ 0.01）。與醫生的診斷相比，聯合治療的風險重分類為 26%  （P＜ 0.01）。基于他們的研究結果，建議人工智能可以整合臨床和影像數據，對接 受 SPECT MPI 的患者進行個性化 MACE 風險計算。

    3）人工智能驅動的結構化報告 CDS。人工智能驅動的算法也被納入了第一個 也是唯一一個獲得美國食品和藥物管理局批準的核成像軟件，使用 CDS 工具和自 然語言自動生成報告。該系統集成了超過 230 條規則、可逆性、功能和患者人口學 特征，包括俯臥位與仰臥位、衰減校正與未衰減校正的圖像結果以及質量控制數 據等額外信息。一項對 1 000 名患者的研究驗證了這種人工智能驅動的報告系統檢 測 CAD，結果顯示人工智能驅動的結構化報告與 9 名專家對 CAD 缺血印象之間的 一致性沒有顯著差異。

    定量工具已經在核心臟病學的實踐中常規使用，但結合多種特征和臨床數據 的更高水平的工具還不普遍。最近的研究表明，在臨床實踐中有很高的應用潛力。除了精煉和構建研究以提高診斷和預后，即將到來的人工智能在核心臟病學的重 點應該包括開發人工智能驅動算法，以幫助臨床決策的適宜性測試、選擇測試、 調度、工作流優先級、協議、報告和患者管理。這些發展不會取代醫生和其他衛生保健專業人員的角色，但將為他們提供高度精確的工具，以更一致的方 式檢測疾病，風險分層，并優化針對患者的管理。

（3）電生理學 

    在電生理學中集成 AI 的幾個重要機會包括數據管理（如何允許管理大量患者 數據）、數據解釋（如何復雜數據專家解釋的大眾化），以及多種模式獲取的數據 的實時集成。此外，使用人工智能增強、經濟效益獲得的電生理學數據（如 ECG） 不斷的發展、的發現表明，篩查通常與心電圖無關的疾病的能力可能為改善人口健康提供可擴展的機會。

    目前電生理學的主要爭論之一是如何將動態獲得的心電圖納入臨床實踐。一 些工具，包括可植入記錄儀和面向消費者的智能手機或支持智能手表的心電圖設 備，在許多情況下，在被確定為已知的心血管疾病患者之前，允許對人群進行更 具成本效益的篩查。例如，個人可以通過互聯網購買自己的心電圖設備，記錄自 己的心電圖，然后需要對這些數據進行準確的解釋。盡管能夠準確和自動解釋這些心電圖的系統已經得到了改進，但仍然存在假陽性或假陰性的風險。閱讀心電 圖的專業知識被下放到基層醫療機構，使得 ECG 的獲得變得更加方便。初步數 據表明，人工智能技術可能進一步改善這些心電圖的解讀，并為那些需要看醫生 （包括心臟病專家或電生理學家）的人提供合適的分流。然而，目前還無法在人口水平上評價計算的需要和效力。

    電生理學的另一個當前問題是如何更好地促進復雜的電生理學數據的解釋。例如，Q-T 間期的測量對于識別那些有猝死風險或抗心律失常藥物毒性風險的人很 重要，但已經發現其變異性大，即使在心臟病學專家和一些電生理專家的評價一 致性中也存在。初步數據表明，DL 人工智能技術可能有助于僅從心電圖圖像識別 特定 Q-T 間期帶來的風險。此外，利用專家級 Q-T 解釋來訓練神經網絡可能有潛 力提高非電生理學家和非心臟病學家的解釋準確性。這些原則適用于其他電生理 數據，如心律失常心腔圖的解釋。

    當前電生理學的另一個主要機遇是如何整合通常多種不同的，互補但單獨獲 得的數據，以促進對特定患者治療的正確解釋和優化。在心律失�；颊呓邮芮秩� 性電生理檢查和消融術時，術前影像的組合（如磁共振成像評估瘢痕分布、心電 圖評估心律失常的起源）和術中成像（如心臟內的超聲心動圖、透視）可用來優 化治療。然而，由于這些數據都是在通過不同技術不同時間點獲得的。最近的數 據表明，人工智能技術可以促進數據集成，這反過來可以幫助醫生更有效率，或 者更有效地識別和定位與患者病情相關的部位。

    最后，將人工智能技術應用于電生理數據的一個主要機會不僅是大眾化、規 模化和促進數據的準確解釋和合成的能力，而且是通過非人類可解釋的見解來改 善人口健康的能力。這一原則的關鍵在于心電圖可能包含一些人類無法輕易理解 的微妙之處。舉個例子，有研究顯示，僅使用心電圖來識別低 EF 的可能，并且有 高精確度，又有幾個其他條件可能同樣從心電圖識別，從而提高風險分層人口水 平可伸縮的、低成本的方式。因此，從心電圖中識別診斷不足、有可能治療的疾 病的能力具有成本效益的改善人口健康問題。 

（4）冠心病檢測與預后 

    急性冠脈綜合征（ACS）是冠心病最危急的類型，通常根據心電圖和生物標志 物分為 ST 段抬高心肌梗死（STEMI）、非 ST 段抬高心肌梗死（NSTEMI）和不穩定型心絞痛（UAP）�？焖傩碾妶D評估進行診斷對 STEMI 的及時治療至關重要。通過 單導智能手機平臺，快速診斷現已被證明是可行的。這項技術可以廣泛傳播，并與 ML 相結合，對 STEMI 患者進行快速分診。加速轉運到經皮冠狀動脈介入治療機構 可以更及時地改善治療結果。醫院外心臟驟停的研究也在進行中，其中大部分是由 ACS 引起的。機器學習算法已被用于分析通過智能家庭揚聲器和電話的家庭錄音， 以識別窒息樣呼吸，這是心臟驟停的典型跡象。對這類記錄的準確檢測可使人們發 現心臟驟停，并對家中發生的大量未被目擊的心臟驟�；颊邌�動緊急措施。

    在 STEMI 以外的 ACS （即 NSTEMI 和 UAP）中，管理可能不那么明確。在這個 方面早期診治嘗試用 ML 進行 12 導聯心電圖解釋是有意義的。UAP/NSTEMI 的治療 主要基于風險分層，據研究 ML 改善了先前驗證過的模型，如 TIMI 或 GRACE 風險 評分。同樣，對死亡率和 / 或治療并發癥的長期預測可以提高。對高風險和低風險 患者的識別的改進將有助于提高資源的利用率和更個體化的治療。目前研究正在 努力綜合多種非心臟數據，以進一步完善 ACS 的診斷、治療和預后。病情穩定的 CAD 患者也可能通過人工智能得到改善，例如，識別可能受益于血運重建的患者， 或平衡抗栓益處和出血風險，選擇最合適的抗血小板策略。

   上述的工作代表了人工智能在冠心病領域從預防到治療廣泛應用的可能性。很明顯，在目前的許多情況下，通過隨機對照試驗進行臨床驗證仍需要繼續進行。然而，令人鼓舞的是，即使是在 ML 對 CAD 影響的初期階段，它也有望提供更好的 預后和挖掘新的危險因素，這將進一步有助于 CAD 患者的治療。

（5）冠狀動脈造影和介入 

    介入心臟病學傳統上一直處于心血管創新的前沿。在過去的十年里，侵入性 血管內成像、生理學、血流動力學、機器人技術和雜交心血管外科手術等得到了 快速發展。診斷預測、治療策略設計、設備選擇、程序優化和并發癥的避免都是 人工智能應用有望取得快速進展的領域。 

    早期應用人工智能評估冠狀動脈的研究包括最近的 CEREBRIA-1 研究，這些 研究驗證了在冠狀動脈病變重要生理功能評價和推薦血管重建中，ML 和人工智能 不遜于常規診治。 

    目前各地都有很好的心血管急救系統，但在關鍵的早期診斷和管理決策方面 存在相當大的差異。未來，智能算法可能會在第一次呼叫時立即審查患者的病史和危險因素，并通過一系列預測性問題在運輸服務到達醫院之前建立初步診斷。隨著可以掃描皮膚行靜脈穿刺設備的發展，無需人工干預的高分辨率計算機斷層 掃描儀可提供冠狀動脈的解剖和生理評估�？旖莸男碾妶D可能提供明確的診斷信 息，并在 5~10 分鐘內抵達急診室。上述步驟甚至可能不需要任何人工干預或評估， 并可能導致不會首選侵入性冠狀動脈造影，可以在必要時進行�；�于人工智能的 診斷方法已被用于分析冠狀動脈病變功能學評價，迄今為止結果不一。Cho 等人的 一項研究表明，總的來說，血管造影功能學分析的準確性可能接近 82% 的 FFR。 

    在過去的十年里，用于冠狀動脈介入治療的磁導航系統和機器人技術已經出 現，但一直受到高昂成本和低效界面的阻礙。人工智能引導的血管通路和介入設 備導航到病變部位將是可行的，多模式技術將實時熱、超聲和流量數據與機器人 和以前獲得的診斷計算機圖像融合在一起。同樣，通過人工智能引導設備進行冠 狀動脈血運重建或藥物治療也是可行的，心臟介入團隊可以在不暴露于電離輻射 的情況下監測和控制設備。能夠自動導航到動脈粥樣硬化區域并提供靶向治療的 納米顆粒已經在開發中，內部和外部的磁性引導和配體連接聚集，可以進一步產 生有益的效果，同時最大限度地減少對其他器官的不利影響

    瓣膜疾病、先天性和后天異常以及生命維持技術也將是人工智能應用的主要 領域。將來在心導管實驗室，在時間和空間上實時評估和整合患者解剖結構信息，結合自體活細胞和聚合物剛性金屬復合材料，進行 3D 打印，可能是介入心臟病學 的一個重要方向。

（6）心臟衰竭 

    目前心力衰竭（HF）診治模式不成熟，診斷延遲較常見，心力衰竭的許多危 險因素并沒有被認識，治療和控制相對較低。大多數射血分數減低和射血分數保 留的心衰患者沒有接受已被證明的降低死亡率和發病率的治療，或者在進行低劑 量的治療。此外，HF 表型的病理生理學特征仍處于研究階段。人工智能支持的策 略有潛力解決這些問題。

    1）心臟衰竭預防：臨床試驗證實，心衰預防可顯著降低心衰發病率。心衰預 防需要一種方法來識別心衰風險患者和心衰預防干預過程。心衰風險識別部分可 以幫助集中干預這部分患者，從而提高可行性，降低總體成本。干預部分的效果 將決定整體人群心衰防治的效益。 

    目前心衰危險評分應用于臨床少見。Ng 等人開發了監督 ML 算法，利用 EHR 數據預測突發 HF。ML 算法預測未來 HF 的 AUC 約為 0.79，在檢測即將到來（6 個 月）HF 時更為準確。雖然 AI 算法可能沒有比傳統模型更好的預測價值， ML 算法嵌 入到電子健康檔案可以為醫生提供即時風險信息（病人），可以調整隨著時間的推 移風險的變化，如果危險因素變化，并整合心電圖或圖像分析、可穿戴設備和其 他數據，風險預測算法可能會更精確的預測個體獨有的風險因素。 

未來人工智能心衰風險評估工具的開發，預先與有計劃的干預相結合，以降 低心衰發病率。這些干預措施可以包括一種新的治療模式，一些特定的治療藥物 或智能決策，以鼓勵臨床醫生和患者治療心衰危險因素。臨床試驗應該評估風險 預測和干預策略，以驗證采用有效的策略來降低心衰發病率。 

    2）心衰住院預防：心衰住院預防措施也需要一種方法來識別有風險的患者和 住院防治監測。傳統的統計模型在再入院預測方面的性能較差，而且基于人工智 能的模型也受到了限制。有 3 項研究使用監督 ML（包括大隊列的 DL 算法）來預測 心衰住院后的再入院，報告的 AUC 從 0.63~0.71。因此，需要更多的工作來提高不 同算法的預測能力，識別心衰再入院的風險。

    雖然 ML 可能提升風險預測，但更令人煩惱的問題是，一旦認識到風險增加， 如何防止再入院。醫療機構為減少再入院而采取的多種策略所產生的影響微乎其微。使用外部遠程監測系統或植入設備（除顫器或起搏器）診斷的遠程監測在防 止入院或再入院方面是無效的，只有基于肺動脈壓的遠程監測策略被證明對減少 心衰住院有效。最令人震驚的是，減少再入院的策略與心衰住院后短期和長期死 亡率的增加相關。因此，必須在臨床試驗中仔細研究人工智能的住院風險預測和 新的干預策略，以確保有效性和安全性。

    3）心衰管理：人工智能分析可以在心力衰竭患者實時提供可操作的信息情況 下，通過識別那些確診患者有無按照規定 GDMT 或接收的最佳劑量，有無依從治療 計劃，或最有可能受益于某些特定的心衰療法。這類人工智能生成的信息可以以 更新穎、便捷、智能的方式提供給患者和醫生，這些信息可能會影響患者的治療 （為患者提供決策輔助、特定問題的醫生或患者教育、支持聯系，或其他區域或衛 生保健系統特定的資源）。這種方法更類似于高度成功商業的人工智能分析所提供 的數據，而人工智能在醫療保健領域的應用尚未達到這種成功水平。

（7）人工智能在闡明心衰病理生理學、精準醫學和新療法中的作用 

    目前，HF 的廣泛特征是 EF 和推測的病因。非監督 ML 分析（如聚類分析）可 以識別獨特的 HF 表型，然后使用傳統統計方法或監督學習技術來確定所識別的表 型是否具有不同的預后或對治療的耐受性或反應。此類分析已在 HFpEF 和 HFREF 的 HF 患者中進行，使用臨床數據作為輸入變量，確定具有不同預后的 HFpEF 和 HFrEF 表型。將來需要臨床特征以外的數據，比如基因組、蛋白質組數據、微生物 組、新的臨床數據，心電圖或圖像分析，來進一步診斷心衰患者的表型，可以通 過新的治療靶點或診斷 / 預后生物標志物識別獨特的病理生理變化，并確定其精確 性或新的心衰治療方法。

（8）預防心臟病學 

    冠心病的研究已經產生了一些概念，這些概念被認為是現代醫學的基礎，包 括識別和添加相關條件的風險因素到風險分層的整體模型。人工智能的定位是通 過分析大量的變量，識別非線性關聯，并幫助識別新的危險因素。 

    目前，在冠心病和動脈粥樣硬化性心血管疾病的初級風險分層中最常用的工 具是美國心臟病學會 / 美國心臟協會聯合隊列方程風險計算器，這是一種有價值但 不精確的工具。使用相同的 9 個傳統風險因素，ML 算法能夠顯著地改善風險分層，包括發現 13% 的高風險個體和推薦 25% 的低風險個體的他汀類藥物治療，部分原 因是非線性關系的識別。相比之下，一項單獨的研究使用了每個人多達 735 個變量 來改進隊列風險計算器，并強調了包括非傳統風險因素的重要性。有趣的是，與 在算法中包含大量數據后的預期相反，與前面提到的僅使用標準 CAD 風險因素的 算法相比，使用數百個變量的預測性能并沒有更好。 

    機器學習是一種創新和強大的工具，可以將非傳統和未知的危險因素納入心血管 風險分層。例如，利用生物信號如視網膜眼底圖像作為生物樣本庫的一部分，并在沒 有任何其他臨床特征的情況下用于預測心血管風險因素。同樣，通過使用 ML 算法通 過智能手機錄音進行的語音分析揭示了與CAD相關的特征。這些例子只是許多可能有 用的新數字生物標記信息中的一小部分。預測動脈粥樣硬化性心血管事件的方法可能 需要改變一些公認的范式，例如時間范圍評估結果低于10年的隨訪，使用串行數據獲 得多個時間點，并考慮更多的無監督學習方法而不是選擇變量生物合理性。

（9）臨床決策支持 

    在一個醫學知識不斷增長和病人管理的復雜性日益增加的時代，對診斷和 治療的選擇，需要標準化的方案。事實上，應授權將 CDS 系統與電子病歷相結 合，向醫護人員提供最新的醫學知識和循證指導。直到最近，大多數部署在醫 療保健中的 CDS 系統都僅限于訪問電子病歷中的結構化數據，如實驗室結果。然而，非結構化臨床敘述中的信息可能會被 NLP 提取。以前，NLP 工具僅限于 研究，并沒有用于生成自動輸入到 CDS 系統。重要的是，利用 NLP 來搜索數字 電子病歷的電子工具也能夠為 CDS 程序提供自動輸入，從而提供針對患者的個 性化信息，以便在治療時以患者為中心做出決定。為了實現這種情況，進行自 然語言處理，以提供高性能、可擴展和實時的解決方案。梅奧診所最近報道了 這種方法對特定疾病的可行性，方法是將經過驗證的基于規則的 NLP 算法安裝 到梅奧診所 EHR 的大數據基礎設施中，從而為外周動脈疾病患者的 CDS 系統生 成個性化輸入。還能夠顯示相關的實驗室檢測結果和外周動脈疾病患者的自動 預后評估，使用結構化數據元素和自動風險計算器，這些數據來自基于社區的 研究生成的模型。原則上，類似的方法將可能廣泛地用于其他心血管疾病，建 設標準化和高質量文檔的醫療保健系統，最終實現將正確的信息在正確的時間 為正確的病人提供正確決策

（10）人工智能在優化心血管研究中的應用 

    人工智能（包括 ML 和 DL）可應用于全基因組測序、移動設備生物識別和 EHR 數據處理。機器學習正在改變心血管疾病的診斷、風險預測、預防和治療方 法。這些新方法提供了可觀的前景，包括快速整合大量數據，個體化的診斷和治 療，以及潛在關系的評價。然而，它們確實產生了新的方法論上的挑戰。表型必 須標準化，優化其可靠性，數據集成等。數據的可追溯性、有效性和再現性必須 體現。在研究設計和結果解釋時，必須考慮新的偏倚，包括地理、人口和社會經 濟地位造成的數字鴻溝和互聯網接入差異等。最后，必須考慮到數據缺失和治療 方式的變化。的確，與原始數據收集不同，醫療記錄數據是在給定的臨床事件中 收集的，直接與患者的健康狀況和求醫行為以及臨床醫生的治療有關。因為決定 觀察時間的是病人和醫生，而不是研究人員，所以從數據中得出的結論會有所不 同。這些重要問題強調了團隊科學的重要性，將臨床醫生、數據科學家和統計學 家聚集在一起，以確立這些工具的有效性和可靠性。

（11）表型和風險預測 

    目前的方法和評分系統對于有效的臨床應用來說往往過于繁瑣，并且在不同 人群中不能很好地被復制，因此在臨床上必須提高病例識別和結果預測的準確性和 有效性。除了電子病歷的豐富數據之外，其他類型的結構化或非結構化數據也適用 于ML技術。這些因素包括但不限于心電圖、超聲心動圖和其他影像學研究的數據。使用ML進行表型分析的一個例子是HFpEF患者的特征描述和這些患者的生存預測。Shah 等人使用無監督 ML，在 HFpEF 患者中確定了 3 個不同的組，通過監督學習， 他們檢查了不同組在死亡和住院方面的差異。這些有意義的結果需要在其他隊列中 驗證，但從另一方面說明了人工智能可以應用到EHR的豐富環境中。另一個例子是 Attia等人將人工智能應用于心電圖數據，以識別無癥狀左心室44 959例患者出現功 能障礙。訓練一個卷積神經網絡來識別心室功能障礙患者，定義EF為35%或更少， 僅使用心電圖數據。在 52 870 名患者的獨立測試中，網絡模型的 AUC 值、敏感性、 特異性和準確性分別為 0.93、86.3%、85.7% 和 85.7%。這些研究結果說明了將人工 智能應用于心電圖數據，可以提供一種識別心室功能障礙的篩查工具。

（12）臨床試驗 

    招募試驗參與者被普遍認為是低效、耗時耗力的，這會延緩新治療的進展和 最終的病人治療的延誤。將人工智能應用于電子病例，將患者特征與試驗納入和 排除標準匹配，可以提高預篩的效率。

（13）傳感器 

    可穿戴傳感器在健康預防和疾病管理中的應用是一個有意義的課題，而人工 智能在這個新興領域的貢獻是獨一無二的。一個例子是使用智能手表數據來檢測 房顫數據。一個深度神經網絡，使用依賴于 R-R 間隔近似表示的啟發式預訓練， 與參考標準心電圖相比，表現出有意義的性能。在 9750 名參與者中進行的這項研 究建立了概念證明，與標準心電圖相比，智能手表可以檢測心房纖顫，但靈敏度 和特異性有所降低。

    本文由培訓無憂網長沙牛耳教育專屬課程顧問整理發布，希望能夠對想參加長沙大數據分析培訓的學生有所幫助。更多大數據分析培訓課程資訊歡迎關注培訓無憂網大數據人工智能培訓頻道或添加老師微信：1503333605010

      注：尊重原創文章,轉載請注明出處和鏈接 http://www.hebeijilong.cn/news-id-7063.html 違者必究！部分文章來源于網絡由培訓無憂網編輯部人員整理發布,內容真實性請自行核實或聯系我們，了解更多相關資訊請關注人工智能頻道查看更多，了解相關專業課程信息您可在線咨詢也可免費申請試課。關注官方微信了解更多：150 3333 6050