尊龙凯时人生就是搏|单挑王破解方法|心血管疾病中的人工智能应用

　　人工智能(artificial intelligenceღ◈，AI) 是基于计算机科学来模拟人脑学习知识ღ◈、储存知识ღ◈、思考规划的思维过程的一种技术ღ◈，人工智能包括一系列操作ღ◈：机器学习(ML)ღ◈，深度学习(DL)ღ◈，自然语言处理(NLP)ღ◈，认知计算ღ◈，计算机视觉和机器人等ღ◈。近年来ღ◈，人工智能技术发展突飞猛进ღ◈，自动驾驶ღ◈、人脸识别ღ◈、文本处理等已经出现在我们的生活领域ღ◈。然而ღ◈，与金融技术ღ◈、信息技术和航空航天等其他行业相比ღ◈，人工智能在医疗领域的应用速度相对缓慢ღ◈。目前ღ◈，人工智能在心脏病学中的应用主要包括两个方面ღ◈，一是基于电子健康记录和医学图像等来源的ML/DLღ◈、NLP和认知计算等ღ◈，另一个代表是介入机器人ღ◈。

　　AI是可执行一般性人类智能任务的计算机程序ღ◈。它也可视为机器或者仪器基于所收集数据自动做出决策的能力ღ◈。而机器学习（machine learningღ◈，ML）是目前AI的主要亚类ღ◈，它包括了监督学习ღ◈，非监督学习及深入学习（deep learningღ◈，DL）等ღ◈。监督学习中目前最常用的算法是人工神经网络（artificial neural networkღ◈，ANN）和支持向量机ღ◈。非监督学习包括了聚类算法和关联规则算法等ღ◈。而DL包括了循环神经网络ღ◈、卷积神经网络（convolutional neural networksღ◈，CNN）以及深度神经网络（deep neural networksღ◈，DNN）

　　机器学习在心血管精准医疗中的应用机器学习是AI技术分支之一ღ◈，可分为3种类型ღ◈：监督ღ◈、非监督和增强学习ღ◈，其中增强学习被视为监督学习和非监督学习二者的结合体ღ◈，目的在于最大化运算的准确性ღ◈。

　　（一）监督学习ღ◈：监督学习是利用人工标记的数据集预测临床转归ღ◈，适用于解决分类性及回归性问题ღ◈，但所需数据量大ღ◈，人工标记耗时多ღ◈。监督学习算法主要包括ღ◈：人工神经网络（ANN）ღ◈、支持向量机（SVM）ღ◈、决策树ღ◈、随机森林ღ◈、朴素贝叶斯分类器ღ◈、模糊逻辑以及K⁃最近邻算法（KNN）ღ◈。在心血管领域ღ◈，应用于处理电子病历文本分类ღ◈、心电图的结果判读ღ◈、检测心律失常ღ◈、心肌梗死心电信号分类ღ◈、超声心动图的图像识别ღ◈、缺血性心肌病影像数据分析ღ◈、冠状动脉CT图像数据处理ღ◈、药物治疗剂量ღ◈、心血管疾病风险分层ღ◈、疾病生存预测ღ◈、临床决策系统等ღ◈。监督学习的局限性ღ◈：需要较大数据集训练模型ღ◈，并且通过其他数据集进行验证ღ◈；如果训练集存在偏倚ღ◈，将会影响测试集的准确性ღ◈。另外ღ◈，监督学习需要手动标记训练集ღ◈，预测已知的输出结果单挑王破解方法ღ◈。尽管监督学习能够通过多种方式与给定的训练集匹配ღ◈，自动选择“最好”的假设来匹配数据ღ◈，但可能导致因学习算法更倾向于某种假设而带来偏倚ღ◈。

　　（二）非监督学习ღ◈：非监督学习是识别隐藏在数据中新的疾病机制ღ◈、基因型或者表型ღ◈。与监督学习侧重依据标记病例预测临床转归不同ღ◈，非监督学习是寻找未被标记的ღ◈、隐藏在数据中的模式ღ◈。非监督学习常常用于深度学习ღ◈。可用于心电图和心脏影像的自动分类ღ◈、构建左心室腔自动分割参数ღ◈，寻找心力衰竭ღ◈、冠心病疾病亚型ღ◈，指导临床对不同亚型采取个体化治疗ღ◈。非监督学习的局限性ღ◈：主要在于对初始聚类模式的识别存在困难ღ◈，因此ღ◈，非监督学习模型需要在多个队列中进行验证ღ◈。除此之外ღ◈，其需要手工去除噪音数据ღ◈，并且需要人工标记数据选择合适的算法ღ◈。因此ღ◈，为了获得最佳效果ღ◈，往往需要非监督学习和监督学习的联合应用ღ◈。

　　（三）深度学习ღ◈：深度学习是使用多层ANN模拟人脑的运行ღ◈，根据输入的数据自动做出预测ღ◈。应用ANN的深度学习包括ღ◈：循环神经网络（RNN）ღ◈、卷积神经网络（CNN）以及深度神经网络（DNN）ღ◈。深度学习具有强大的图像识别和处理噪声能力ღ◈，以更高时空分辨率处理人工实时心血管图像ღ◈，通过整合斑点追踪超声心动图数据ღ◈，有研究证实机器学习算法能够帮助识别运动员的生理性和病理性心肌肥厚ღ◈、提高单光子发射计算机断层成像术心肌灌注成像预测阻塞性心脏病发生的能力ღ◈，自动分析静息状态下冠状动脉CT血管造影下的左心室心肌图像ღ◈，避免患者经历有创心脏血流储备分数的检测ღ◈，对川崎病的冠状动脉光学相干断层成像图像的自动分类ღ◈，心电图异常的检测等ღ◈。2.深度学习的局限性ღ◈：其过度拟合可能导致预测效果欠佳ღ◈。深度学习需要大量的训练数据集ღ◈，需要各科室与电子病历系统链接之间的紧密联系ღ◈。此外ღ◈，深度学习需要具有深度学习能力的设备ღ◈。另外ღ◈，多层面深度学习可能增加训练时间ღ◈，而且建立神经网络同样费时ღ◈。

　　随着ML方法的成熟ღ◈，包括卷积神经网络用于图像分类ღ◈，临床超声心动图数据的累积量增加ღ◈，给超声心动图人工智能平台的研发提供了充足的机会ღ◈。在这方面的创新可以通过自动测量ღ◈、病理特征(瓣膜疾病ღ◈、局部室壁运动异常ღ◈、心肌病)的识别在治疗中快速应用ღ◈，可以改进和标准化目前流程ღ◈。超声心动图人工智能研究的优势和前景在于识别可能提示亚临床疾病或预后的细微或未被识别的影像学特征ღ◈。

　　尽管人工智能模型的性能持续改善ღ◈，但重要的是要承认ღ◈，人工智能必须克服一些重要的挑战ღ◈，才能安全地应用于临床实践ღ◈。与任何模型一样ღ◈，研发数据的质量和临床特征是必须的参考因素ღ◈。超声心动图相关的数据数量大且复杂ღ◈，一个强大的超声心动图人工智能平台将需要对大量研究进行培训和验证ღ◈，这些研究包括广泛的临床特征ღ◈、病理特征ღ◈、超声机器供应商和图像质量等ღ◈。目前关于超声心动图人工智能的研究通常存在样本规模小ღ◈、受机构ღ◈、地理因素ღ◈、超声心动图机器品牌限制ღ◈，这就可能存在过度融合和限制平台通用性的风险ღ◈。此外ღ◈，目前超声心动图研究很大程度上依赖于人的解释ღ◈，人在解释和测量方面存在内在的差异性单挑王破解方法ღ◈。

　　超声心动图人工智能代表了一个激动人心的机会ღ◈，它将彻底改变临床实践ღ◈。经过验证的超声心动人工智能模型将有能力提高质量ღ◈，进行即时医疗决策ღ◈，并促进公平获得诊断评价单挑王破解方法ღ◈。预计超声心动图人工智能将影响患者诊治ღ◈，期待相关改善临床结果和成本效益的临床研究ღ◈。

　　与心脏病学的其他学科不同ღ◈，人工智能技术已经被纳入心脏核医学的一些常规操作ღ◈。人工智能算法已被应用于图像处理ღ◈，允许进行完全自动的单光子发射计算机断层扫描(SPECT)ღ◈、心肌灌注成像(MPI)运动校正ღ◈、重建ღ◈、量化和高水平分析ღ◈。

　　商业化和美国食品药物管理局批准的图像软件已经纳入正常心肌灌注分布的数据库ღ◈，为专家读者提供计算机辅助诊断工具ღ◈，用于识别低灌注心肌ღ◈。这些类型的自动化ღ◈，以及机器学习的数字图像数据ღ◈，以及人工智能算法的SPECT MPI数据ღ◈，单独使用或者结合临床特点ღ◈，进一步提高了冠心病诊断的预后判断价值ღ◈，为是否血运重建提供合理的临床决策依据ღ◈。

　　在一项单中心研究中ღ◈，ML算法包含成像变量(通过定量软件进行的静息和压力SPECT的灌注缺失ღ◈、缺血变化和射血分数变化)在总体患者诊断准确性方面优于单个定量成像参数(86% vs 81%;P＜0.01)ღ◈。ML算法检测阻塞性CAD的曲线下总面积(AUC) ( 0.92 ± 0.01)也显著高于两个人工读片者(0.87±0.01和0.88 ±0.01; P＜0. 05)ღ◈。使用不同的数据集ღ◈，同一组人创建了集成临床和成像变量(由自动化软件生成的总灌注不足[TPD])的人工智能算法尊龙凯时人生就是搏ღ◈。研究证明ML(87.3%±2.1%)的准确性高于一个或者两个专家读片者 (82.1% ±2.2%)或自动TPD (82.8% ±2.2%)ღ◈。在检测检测阻塞性CAD方面有更高的敏感性ღ◈。一项1638名参与多中心研究显示ღ◈：无已知CAD的患者使用SPECT扫描仪也发现与传统相比ღ◈，深度学习(DL)利用原始和定量的MPI极地图的AUC值均更高ღ◈。基于这些研究ღ◈，人工智能算法在预测梗阻性CAD方面比目前的临床方法提高了大约2.5%ღ◈。其他研究发现一致ღ◈，与专家医师视觉分析相比ღ◈，训练有素的神经网络在识别特定冠状动脉狭窄病变引起的低灌注分布方面具有类似的良好性能ღ◈。

　　在首次MPI扫描后90天内进行相关侵入性血管造影的713例SPECT MPI研究中ღ◈，人工智能方法也被用于预测疑似CAD患者的早期血运重建ღ◈。通过ML算法对几个自动衍生的影像学变量和临床参数进行整合ღ◈，包括性别ღ◈、高血压和糖尿病史ღ◈、基线心电图ST段压低ღ◈、运动心电图和临床变化 (总共33个变量)ღ◈，以预测血运重建事件ღ◈。ML预测血流量重建的AUC(0.81±0.02)与单个医生的AUC(0.81±0.02)相近ღ◈，优于另一个医生的AUC (0.72+0.02; P＜0. 05)ღ◈。因此ღ◈，在本研究中ღ◈，ML在预测MPI后早期血运重建方面与有经验的医生相当或更好ღ◈。在预后方面ღ◈，Betancur等人研究了2619例SPECT MPI患者ღ◈，并将28个临床ღ◈、17个压力测试和25个成像变量(包括TPD)整合到人工智能算法中来预测主要心脏事件ღ◈。在超过3.2+0.6年的随访中ღ◈，他们比较了AUC对以下结果的预测:(1)ML与所有可用数据(ML combined)ღ◈， (2) ML与仅影像学数据(ML-imaging)ღ◈，(3) 5分制诊断(内科诊断)ღ◈，(4)自动化定量成像分析(负荷TPD和缺血性TPD)ღ◈。他们发现ღ◈，ML联合组的MACE预测显著高于ML成像组(AUC, 0.81 vs 0.78; P＜0.01)ღ◈。ML组合模型的预测精度也高于内科诊断ღ◈、自动压力TPD和自动缺血TPD (AUCღ◈，分别为0.81 vs 0.65ღ◈、0.73和0.71; P＜0.01)ღ◈。与医生的诊断相比ღ◈，联合治疗的风险重分类为26% (P＜0.01)ღ◈。基于他们的研究结果ღ◈，建议人工智能可以整合临床和影像数据ღ◈，对接受SPECT MPI的患者进行个性化MACE风险计算ღ◈。

　　人工智能驱动的结构化报告CDSღ◈。人工智能驱动的算法也被纳入了第一个也是唯一一个获得美国食品和药物管理局批准的核成像软件ღ◈，使用CDS工具和自然语言自动生成报告ღ◈。该系统集成了超过230条规则ღ◈、可逆性ღ◈、功能和患者人口学特征ღ◈，包括俯卧位与仰卧位ღ◈、衰减校正与未衰减校正的图像结果以及质量控制数据等额外信息ღ◈。一项对1000名患者的研究验证了这种人工智能驱动的报告系统检测CADღ◈，结果显示人工智能驱动的结构化报告与9名专家对CAD缺血印象之间一致性没有显著差异ღ◈。

　　定量工具已经在核心脏病学的实践中常规使用ღ◈，但结合多种特征和临床数据的更高水平的工具还不普遍ღ◈。最近的研究表明ღ◈，在临床实践中有很高的应用潜力ღ◈。除了精炼和构建研究以提高诊断和预后ღ◈，即将到来的人工智能在核心脏病学的重点应该包括开发人工智能驱动算法ღ◈，以帮助临床决策的适宜性测试ღ◈、选择测试ღ◈、调度ღ◈、工作流优先级ღ◈、协议ღ◈、报告ღ◈、和患者管理ღ◈。这些发展不会取代医生和其他卫生保健专业人员的角色ღ◈，但将为他们提供高度精确的工具ღ◈，以更一致的方式检测疾病ღ◈，风险分层ღ◈，并优化针对患者的管理ღ◈。

　　在电生理学中集成AI的几个重要机会包括数据管理(即ღ◈，如何允许管理大量患者数据)ღ◈、数据解释(即ღ◈，如何复杂数据专家解释的大众化)尊龙凯时人生就是搏ღ◈，以及多种模式获取的数据的实时集成ღ◈。此外ღ◈，使用人工智能增强的ღ◈、经济效益获得的电生理学数据(如ECG)的不断发展的发现表明ღ◈，筛查通常与心电图无关的疾病的能力可能为改善人口健康提供可扩展的机会ღ◈。

　　目前电生理学的主要争论之一是如何将动态获得的心电图纳入临床实践ღ◈。一些工具ღ◈，包括可植入记录仪和面向消费者的智能手机或支持智能手表的心电图设备ღ◈，在许多情况下ღ◈，在他们被确定为已知的心血管疾病患者之前ღ◈，允许对人群进行更具成本效益的筛查ღ◈。例如ღ◈，个人可以通过互联网购买自己的心电图设备ღ◈，记录自己的心电图ღ◈，然后需要对这些数据进行准确的解释ღ◈。尽管能够准确和自动解释这些心电图的系统已经得到了改进ღ◈，但仍然存在假阳性或假阴性的风险ღ◈。阅读心电图的专业知识被下放到基层医疗机构ღ◈，使得ECG在获得变得更加方便ღ◈，初步数据表明ღ◈，人工智能技术可能进一步改善这些心电图的解读ღ◈，并为那些需要看医生(包括心脏病专家或电生理学家)的人提供合适的分流ღ◈。然而ღ◈，目前还无法在人口水平上评价计算的需要和效力ღ◈。

　　电生理学的另一个当前问题是如何更好地促进复杂的电生理学数据的解释ღ◈。例如ღ◈，QT间期的测量对于识别那些有猝死风险或抗心律失常药物毒性风险的人很重要ღ◈，但已经发现其变异性大ღ◈，即使在心脏病学专家和一些电生理专家中评价一致性也存在ღ◈。初步数据表明ღ◈，DL人工智能技术可能有助于仅从心电图图像识别特定QT间期带来的风险ღ◈。此外ღ◈，利用专家级QT解释来训练神经网络可能有潜力提高非电生理学家和非心脏病学家的解释准确性ღ◈。这些原则适用于其他电生理数据ღ◈，如心律失常心腔图的解释ღ◈。

　　当前电生理学的另一个主要机遇是如何整合通常多种不同的互补但单独获得的数据ღ◈，以促进对特定患者的治疗的正确解释和优化ღ◈。在心律失常患者接受侵入性电生理检查和消融术,术前影像的组合(例如,磁共振成像评估疤痕分布ღ◈、心电图评估心律失常的起源)和术中成像(如心脏内的超声心动图ღ◈、透视)可用来优化治疗ღ◈。然而ღ◈，由于这些数据都是在通过不同技术不同时间点获得的ღ◈。最近的数据表明ღ◈，人工智能技术可以促进数据集成ღ◈，这反过来可以帮助医生更有效率ღ◈，或者更有效地识别和定位与患者病情有关的部位ღ◈。

　　最后ღ◈，将人工智能技术应用于电生理数据的一个主要机会不仅是大众化ღ◈、规模化和促进数据的准确解释和合成的能力ღ◈，而且是通过非人类可解释的见解来改善人口健康的能力ღ◈。这一原则的关键在于心电图可能包含一些人类无法轻易理解的微妙之处ღ◈。举个例子ღ◈，有研究显示ღ◈，仅使用心电图来识别低EF的可能ღ◈，并且有高精确度ღ◈。又有几个其他条件可能同样从心电图识别ღ◈，从而提高风险分层人口水平可伸缩的ღ◈、低成本的方式ღ◈。因此ღ◈，从心电图中识别诊断不足ღ◈、有可能治疗的疾病的能力具有成本效益的改善人口健康问题ღ◈。

　　急性冠脉综合征(ACS)是冠心病最危急的类型ღ◈，通常根据心电图和生物标志物分为ST段抬高型心肌梗死(STEMI)ღ◈、非ST段抬高型心肌梗死(NSTEMI)和不稳定型心绞痛(UA)ღ◈。快速心电图评估进行诊断对STEMI的及时治疗至关重要ღ◈。通过单导智能手机平台ღ◈，快速诊断现已被证明是可行的ღ◈。这项技术可以广泛传播ღ◈，并与ML相结合ღ◈，对STEMI患者进行快速分诊ღ◈。加速转运到经皮冠状动脉介入治疗机构可以更及时改善治疗结果ღ◈。医院外心脏骤停的研究也在进行中ღ◈，其中大部分是由ACS引起的ღ◈。机器学习算法已被用于分析通过智能家庭扬声器和电话的家庭录音ღ◈，以识别窒息样呼吸单挑王破解方法尊龙凯时人生就是搏ღ◈，这是心脏骤停的典型迹象ღ◈。对这类记录的准确检测可使人们发现心脏骤停ღ◈，并对家中发生的大量未被目击的心脏骤停患者启动紧急措施ღ◈。

　　在STEMI以外的ACS (即NSTEMI和UA)中ღ◈，管理可能不那么明确ღ◈。在这个方面早期诊治尝试用ML进行12导联心电图解释是有意义的ღ◈。UA/NSTEMI的治疗主要基于风险分层ღ◈，据研究ML改善了先前验证过的模型ღ◈，如TIMI或GRACE风险评分ღ◈。同样ღ◈，对死亡率和/或治疗并发症的长期预测可以提高ღ◈。对高风险和低风险患者的识别的改进将有助于提高资源的利用率和更个体化的治疗ღ◈。目前研究正在努力综合多种非心脏数据ღ◈，以进一步完善ACS的诊断ღ◈、治疗和预后ღ◈。病情稳定的CAD患者也可能通过人工智能得到改善ღ◈，例如ღ◈，识别可能受益于血运重建的患者ღ◈，或平衡抗栓益处和出血风险ღ◈，选择最合适的抗血小板策略ღ◈。

　　上述的工作代表了人工智能在冠心病从预防到治疗广泛应用的可能性ღ◈。很明显ღ◈，在目前的许多情况下ღ◈，通过随机对照试验进行临床验证仍需要继续进行ღ◈。然而ღ◈，令人鼓舞的是ღ◈，即使是在ML对CAD影响的初期阶段ღ◈，它也有望提供更好的预后和挖掘新的危险因素ღ◈，这将进一步帮助CAD患者的治疗ღ◈。

　　介入心脏病学传统上一直处于心血管创新的前沿ღ◈。在过去的十年里ღ◈，侵入性血管内成像ღ◈、生理学ღ◈、血流动力学ღ◈、机器人技术ღ◈、和杂交心血管外科手术等得到了快速发展ღ◈。诊断预测ღ◈、治疗策略设计ღ◈、设备选择ღ◈、程序优化和并发症的避免都是人工智能应用有望取得快速进展的领域ღ◈。

　　早期应用人工智能评估冠状动脉的研究包括最近的CEREBRIA-1研究ღ◈，这些研究验证了在冠状动脉病变重要生理功能评价和推荐血管重建中ღ◈，ML和人工智能非劣于常规诊治ღ◈。

　　目前各地都有很好的心血管急救系统ღ◈，但在关键的早期诊断和管理决策存在相当大的差异ღ◈。未来ღ◈，智能算法可能会在第一次呼叫时立即审查患者的病史和危险因素ღ◈，并通过一系列预测性问题在运输服务到达医院之前建立初步诊断ღ◈。随着可以扫描皮肤行静脉穿刺设备的发展ღ◈，无需人工干预的高分辨率计算机断层扫描仪可提供冠状动脉的解剖和生理评估ღ◈。快捷的心电图可能提供明确的诊断信息ღ◈，并在5到10分钟内抵达急诊室ღ◈。上述步骤甚至可能不需要任何人工干预或评估ღ◈，并可能导致不会首选侵入性冠状动脉造影ღ◈，可以在必要时进行ღ◈。基于人工智能的诊断方法已被用于分析冠状动脉病变功能学评价ღ◈，迄今为止结果不一ღ◈。Cho等人的一项研究表明ღ◈，总的来说ღ◈，血管造影功能学分析的准确性可能接近82%的FFRღ◈。

　　在过去的十年里单挑王破解方法ღ◈，用于冠状动脉介入治疗的磁导航系统和机器人技术已经出现ღ◈，但一直受到高昂成本和低效界面的阻碍ღ◈。人工智能引导的血管通路和介入设备导航到病变部位将是可行的ღ◈，多模式技术将实时热ღ◈、超声和流量数据与机器人和以前获得的诊断计算机图像融合在一起ღ◈。同样ღ◈，通过人工智能引导设备进行冠状动脉血运重建或药物治疗也是可行的ღ◈，心脏介入团队可以在不暴露于电离辐射的情况下监测和控制设备ღ◈。能够自动导航到动脉粥样硬化区域并提供靶向治疗的纳米颗粒已经在开发中ღ◈，内部和外部的磁性引导和配体连接聚集ღ◈，可以进一步产生有益的效果ღ◈，同时最大限度地减少对其他器官的不利影响ღ◈。

　　瓣膜疾病ღ◈、先天性和后天异常以及生命维持技术也将是人工智能应用的主要领域ღ◈。将来在心导管实验室ღ◈，在时间和空间上实时评估和整合患者解剖结构信息ღ◈，结合自体活细胞和聚合物刚性金属复合材料ღ◈，进行3D打印,可能介入心脏病学的一个重要方向ღ◈。

　　目前心力衰竭(HF)诊治模式不成熟ღ◈，诊断延迟常见ღ◈，心力衰竭的许多危险因素并没有认识ღ◈，治疗和控制相对较低ღ◈。大多数射血分数减低和射血分数保留的心衰患者没有接受已被证明的降低死亡率和发病率的治疗或者在进行低剂量的治疗ღ◈。此外ღ◈，HF表型的病理生理学特征仍处于研究阶段ღ◈。人工智能支持的策略有潜力解决这些问题ღ◈。

　　临床试验证实ღ◈，心衰预防可显著降低心衰发病率ღ◈。心衰预防需要一种方法来识别心衰风险患者和心衰预防干预过程ღ◈。心衰风险识别部分可以帮助集中干预这部分患者ღ◈，从而提高可行性ღ◈，降低总体成本ღ◈。干预部分的效果将决定整体人群心衰防治的效益ღ◈。

　　目前心衰危险评分应用于临床少见ღ◈。Ng等人开发了监督ML算法ღ◈，利用EHR数据预测突发HFღ◈。ML算法预测未来HF的AUC约为0.79ღ◈，在检测即将到来(6个月)HF时更为准确ღ◈。虽然AI算法可能没有比传统模型更好的预测价值, ML算法嵌入到电子健康档案可以为医生提供即时风险信息(病人)ღ◈，可以调整随着时间的推移风险的变化ღ◈，如果危险因素变化ღ◈，并整合心电图或图像分析ღ◈、可穿戴设备和其他数据ღ◈，风险预测算法可能会更精确的预测个体独有的风险因素ღ◈。

　　未来人工智能心衰风险评估工具的开发ღ◈，预先与有计划的干预相结合ღ◈，以降低心衰发病率ღ◈。这些干预措施可以包括一种新的治疗模式ღ◈，一些特定的治疗药物或智能决策ღ◈，以鼓励临床医生和患者治疗心衰危险因素ღ◈。临床试验应该评估风险预测和干预策略ღ◈，以验证采用有效的策略来降低心衰发病率ღ◈。

　　心衰住院预防措施也需要一种方法来识别有风险的患者和住院防治监测ღ◈。传统的统计模型在再入院预测方面的性能较差ღ◈，而且基于人工智能的模型也受到了限制ღ◈。有三项研究使用监督ML(包括大队列的DL算法)来预测心衰住院后的再入院ღ◈，报告的AUC从0.63到0.71ღ◈。因此ღ◈，需要更多的工作来提高不同算法的预测能力ღ◈，识别心衰再入院的风险ღ◈。

　　虽然ML可能提升风险预测ღ◈，但更令人烦恼的问题是ღ◈，一旦认识到风险增加ღ◈，如何防止再入院ღ◈。医疗机构为减少再入院而采取的多种策略所产生的影响微乎其微ღ◈。使用外部远程监测系统或植入设备(除颤器或起搏器)诊断的远程监测在防止入院或再入院方面是无效的ღ◈，只有基于肺动脉压的远程监测策略被证明对减少心衰住院有效ღ◈。最令人震惊的是ღ◈，减少再入院的策略与心衰住院后短期和长期死亡率的增加相关ღ◈。因此ღ◈，必须在临床试验中仔细研究人工智能的住院风险预测和新的干预策略ღ◈，以确保有效性和安全性ღ◈。

　　人工智能分析可以在心力衰竭患者实时提供可操作的信息ღ◈，通过识别那些确诊患者ღ◈，有无按照规定GDMT或接收的最佳剂量ღ◈，有无依从治疗计划ღ◈，或最有可能受益于某些特定的心衰疗法ღ◈。这类人工智能生成的信息可以以更新颖的ღ◈、便捷ღ◈、智能的方式提供给患者和医生ღ◈，这些信息可能会影响患者的治疗 (为患者提供决策辅助ღ◈、特定问题的医生或患者教育ღ◈、支持联系ღ◈，或其他区域或卫生保健系统特定的资源)ღ◈。这种方法更类似于高度成功商业的人工智能分析所提供的数据ღ◈，而人工智能在医疗保健领域的应用尚未达到这种成功水平ღ◈。

　　目前ღ◈，HF的广泛特征是EF和推测的病因ღ◈。非监督ML分析(如聚类分析)可以识别独特的HF表型ღ◈，然后使用传统统计方法或监督学习技术来确定所识别的表型是否具有不同的预后或对治疗的耐受性或反应ღ◈。此类分析已在HFpEF和HFREF的HF患者中进行ღ◈，使用临床数据作为输入变量ღ◈，确定具有不同预后的HFpEF和HFrEF表型ღ◈。将来需要临床特征以外的数据比如基因组ღ◈、蛋白质组数据ღ◈、微生物组ღ◈、新的临床数据ღ◈，心电图或图像分析ღ◈，来进一步诊断心衰患者的表型ღ◈，可以通过新的治疗靶点或诊断/预后生物标志物识别独特的病理生理变化ღ◈，并确定其精确性或新的心衰治疗方法ღ◈。

　　冠心病的研究已经产生了一些概念ღ◈，这些概念被认为是现代医学的基础ღ◈，包括识别和添加相关条件的风险因素到风险分层的整体模型ღ◈。人工智能的定位是通过分析大量的变量ღ◈，识别非线性关联ღ◈，并帮助识别新的危险因素ღ◈。

　　目前ღ◈，在冠心病和动脉粥样硬化性心血管疾病的初级风险分层中最常用的工具是美国心脏病学会/美国心脏协会联合队列方程风险计算器ღ◈，这是一种有价值但不精确的工具ღ◈。使用相同的9个传统风险因素ღ◈，ML算法能够显著地改善风险分层ღ◈，包括发现13%的高风险个体和推荐25%的低风险个体的他汀类药物治疗ღ◈，部分原因是非线性关系的识别ღ◈。相比之下ღ◈，一项单独的研究使用了每个人多达735个变量来改进队列风险计算器ღ◈，并强调了包括非传统风险因素的重要性ღ◈。有趣的是ღ◈，与在算法中包含大量数据后的预期相反ღ◈，与前面提到的仅使用标准CAD风险因素的算法相比ღ◈，使用数百个变量的预测性能并没有更好ღ◈。

　　机器学习是一种创新和强大的工具ღ◈，可以将非传统和未知的危险因素纳入心血管风险分层ღ◈。例如ღ◈，利用生物信号如视网膜眼底图像作为生物样本库的一部分ღ◈，并在没有任何其他临床特征的情况下用于预测心血管风险因素ღ◈。同样ღ◈，通过使用ML算法通过智能手机录音进行的语音分析揭示了与CAD相关的特征ღ◈。这些例子只是许多可能有用的新数字生物标记信息中的一小部分ღ◈。预测动脉粥样硬化性心血管事件的方法可能需要改变一些公认的范式,例如时间范围评估结果低于10年的随访ღ◈，使用串行数据获得多个时间点ღ◈，并考虑更多的无监督学习方法而不是选择变量生物合理性ღ◈。

　　在一个医学知识不断增长和病人管理的复杂性日益增加的时代ღ◈，对诊断和治疗选择ღ◈，需要标准化的方案ღ◈。事实上ღ◈，应授权将CDS系统与电子病历相结合ღ◈，向医护人员提供最新的医学知识和循证指导ღ◈。直到最近ღ◈，大多数部署在医疗保健中的CDS系统都仅限于访问电子病历中的结构化数据ღ◈，如实验室结果ღ◈。然而ღ◈，非结构化临床叙述中的信息可能会被NLP提取尊龙凯时人生就是搏ღ◈。以前ღ◈，NLP工具仅限于研究ღ◈，并没有用于生成自动输入到CDS系统ღ◈。重要的是ღ◈，利用NLP来搜索数字电子病历的电子工具也能够为CDS程序提供自动输入ღ◈，从而提供针对患者的个性化信息ღ◈，以便在治疗时以患者为中心做出决定ღ◈。为了实现这种情况ღ◈，进行自然语言处理ღ◈，以提供高性能ღ◈、可扩展和实时的解决方案ღ◈。梅奥诊所最近报道了这种方法对特定疾病的可行性ღ◈，方法是将经过验证的基于规则的NLP算法安装到梅奥诊所EHR的大数据基础设施中ღ◈，从而为外周动脉疾病患者的CDS系统生成个性化输入ღ◈。还能够显示相关的实验室检测结果和外周动脉疾病患者的自动预后评估ღ◈，使用结构化数据元素和自动风险计算器ღ◈，这些数据来自基于社区的研究生成的模型ღ◈。原则上ღ◈，类似的方法将可能用于广泛的其他心血管健康疾病尊龙凯时人生就是搏ღ◈，建设标准化和高质量文档的医疗保健系统ღ◈，最终实现将正确的信息在正确的时间为正确的病人提供正确决策ღ◈。

　　人工智能(包括ML和DL)可应用于全基因组测序ღ◈、移动设备生物识别和EHR数据处理ღ◈。机器学习正在改变心血管疾病的诊断ღ◈、风险预测ღ◈、预防和治疗方法ღ◈。这些新方法提供了可观的前景ღ◈，包括快速整合大量数据ღ◈，个体化的诊断和治疗ღ◈，以及潜在关系的评价ღ◈。然而ღ◈，它们确实产生了新的方法论上的挑战ღ◈。表型必须标准化ღ◈，优化其可靠性ღ◈，数据集成等ღ◈。数据的可追溯性ღ◈、有效性和再现性必须体现ღ◈。在研究设计和结果解释时ღ◈，必须考虑新的偏倚ღ◈，包括地理ღ◈、人口和社会经济地位造成的数字鸿沟和互联网接入差异等ღ◈。最后ღ◈，必须考虑到数据缺失和治疗方式的变化ღ◈。的确ღ◈，与原始数据收集不同ღ◈，医疗记录数据是在给定的临床事件中收集的ღ◈，直接与患者的健康状况和求医行为以及临床医生的治疗有关ღ◈。因为决定观察时间的是病人和医生ღ◈，而不是研究人员ღ◈，所以从数据中得出的结论会有所不同ღ◈。这些重要问题强调了团队科学的重要性ღ◈，将临床医生ღ◈、数据科学家和统计学家聚集在一起ღ◈，以确立这些工具的有效性和可靠性ღ◈。

　　目前的方法和评分系统对于有效的临床应用来说往往过于繁琐ღ◈，并且在不同人群中不能很好地复制ღ◈，因此在临床上必须提高病例识别和结果预测的准确性和有效性ღ◈。除了电子病历的丰富数据之外ღ◈，其他类型的结构化或非结构化数据也适用于ML技术ღ◈。这些因素包括但不限于心电图ღ◈、超声心动图和其他影像学研究的数据ღ◈。使用ML进行表型分析的一个例子是HFpEF患者的特征描述和这些患者的生存预测ღ◈。Shah等人使用无监督MLღ◈，在HFpEF患者中确定了3个不同的组ღ◈，通过监督学习ღ◈，他们检查了不同组在死亡和住院方面的差异ღ◈。这些有意义的结果需要在其他队列中验证ღ◈，但从两一方面说明了人工智能可以应用到EHR的丰富环境中ღ◈。另一个例子是Attia等人将人工智能应用于心电图数据ღ◈，以识别无症状左心室44,959例患者出现功能障碍ღ◈。训练一个卷积神经网络来识别心室功能障碍患者ღ◈，定义EF为35%或更少ღ◈，仅使用心电图数据ღ◈。在52870名患者的独立测试中ღ◈，网络模型的AUC值ღ◈、敏感性ღ◈、特异性和准确性分别为0.93ღ◈、86.3%ღ◈、85.7%和85.7%ღ◈。这些研究结果说明了将人工智能应用于心电图数据ღ◈，可以提供一种识别心室功能障碍的筛查工具ღ◈。

　　可穿戴传感器在健康预防和疾病管理中的应用是一个有意义的课题ღ◈，而人工智能在这个新兴领域的贡献是独一无二的ღ◈。一个例子是使用智能手表数据来检测房颤数据ღ◈。一个深度神经网络ღ◈，使用依赖于R-R间隔近似表示的启发式预训练ღ◈，与参考标准心电图相比ღ◈，表现出有意义的性能ღ◈。在9750名参与者中进行的这项研究建立了概念证明ღ◈，与标准心电图相比ღ◈，智能手表可以检测心房纤颤ღ◈，但灵敏度和特异性有所降低ღ◈。

　　由于人工智能在医学上的应用似乎越来越不可避免ღ◈，我们必须静心思考实施中的困难ღ◈。事实上ღ◈，许多最初有希望的技术在更广泛的测试中失败的例子已经出现在其他领域的新闻上ღ◈。这些例子包括面部识别软件在不同人群中的失败ღ◈，刑事司法系统中特别令人担忧的例子ღ◈，人工智能可能在其中错误持续下去ღ◈，从而使不公平一直存在ღ◈，甚至还有一些可推广性差的医疗筛查测试ღ◈。

　　当用于训练算法的数据集质量差ღ◈、多样性有限ღ◈，或者它们反映结果的差异或现实偏倚时ღ◈，就会出现这样的问题ღ◈。“垃圾进ღ◈，垃圾出”同样适用于人工智能技术ღ◈。例如ღ◈，从随机临床试验数据中获得的模型ღ◈，在应用于从计费代码或从电子病历中提取的相对不精确的数据时ღ◈，可能表现不佳ღ◈。类似地ღ◈，检测静态图像的DL方法不能区分病理生理学的重要特征和图像采集的伪影ღ◈。因此ღ◈，如果图像采集类型与疾病状态相关ღ◈，则与图像采集类型(像素特征)相关的特征可能虚假地与特定结果相关ღ◈。这些技术甚至可以暴露系统性的偏倚ღ◈，例如ღ◈，如果某一特定的亚组患者更有可能被拒绝给予挽救生命措施干预(如心脏移植)ღ◈，那么风险预测模型可能会错误地确定他们不太可能受益ღ◈。因此ღ◈，我们必须意识到ღ◈，执行不力的人工智能有可能误导我们ღ◈，它甚至可能恶化ღ◈、扩大和加剧医疗保健差距ღ◈，这是在尝试开发或实施人工智能算法时ღ◈，都必须考虑的一个因素ღ◈。同样ღ◈，无论是在医院ღ◈、地区还是国家一级ღ◈，在财政资源非常有限的情况下ღ◈，实施人工智能很可能具有挑战性ღ◈。如果提供人工智能仅限于高收入人群ღ◈，这一因素可能加剧医疗保健的不平等ღ◈。尽管与医疗保健专业人员的能力或判断相关的错误将仅限于特定的个人评估或治疗的患者ღ◈，但如果人工智能算法得到广泛应用ღ◈，可能会出现成千上万或数百万人次的错误ღ◈。当解释结果和应用技术实践时尊龙凯时人生就是搏ღ◈，临床医生必须能够认识到这些陷阱ღ◈，一个有用的方法可能是跟踪给定技术从初始到应用程序的开发ღ◈。首先ღ◈，我们必须检查构成培训过程基础的数据输入ღ◈。数据质量高吗?它们是如何收集的?它们是否与目标应用程序数据集和人口相似? 接下来ღ◈，我们应该检查模型性能ღ◈。这个评估必须超出曲线下面积的区域ღ◈。这些发现有多可靠?研究者是否提供了亚组分析和外部验证?接下来ღ◈，我们可以检查模型是如何应用的尊龙凯时人生就是搏ღ◈。应用程序数据集是否类似于派生数据集?模型性能是否可以根据标准定期测试?最后ღ◈，我们可以把模型的结果放在我们已知的环境中ღ◈。这些发现是否与我们自己的临床直觉或使用其他方法的临床指导一致?只有采用系统的方法ღ◈，我们才能对这些危害保持警惕ღ◈，确保在医学中负责任地使用人工智能ღ◈。

　　人工智能在大数据和开放科学时代蓬勃发展ღ◈。研究人员现在能够将大量数据与复杂的算法结合起来ღ◈，生成可以媲美甚至超过人类表现的统计模型ღ◈。2009年Netflix Prize等竞赛数据的公开发布ღ◈，通过昂贵的研发工作ღ◈，刺激了创新ღ◈，从而有机会赢得大笔奖金ღ◈。医疗保健部门采取类似策略的速度较慢ღ◈，部分原因是与健康相关数据的数据共享限制ღ◈。这种情况引发了一个问题ღ◈，在世界范围内共享电子病历中包含的丰富数据的障碍是什么?围绕共享健康职业相关数据的问题在全球各地各不相同ღ◈，而且正在迅速演变ღ◈。然而ღ◈，一些学术期刊制定了数据共享政策ღ◈，要求公开共享可能与这些规定相冲突的数据ღ◈。尽管传统研究倾向于分享容易被识别的数据ღ◈，但人工智能现在正在使用大量更难ღ◈、甚至可能既往不可能被识别的数据ღ◈。前进的道路可能是通过战略伙伴关系ღ◈。如何共享ღ◈，甚至是否共享数据ღ◈，都需要根据具体情况来决定ღ◈。此外ღ◈，还有一个问题是ღ◈，如果合作组织不复存在或被另一个组织机会主义地收购ღ◈，会发生什么情况ღ◈。当谷歌获得了DeepMind数据档案的访问权限后ღ◈，人们意识到了这一点ღ◈，这实际上终止了之前不公布数据的承诺ღ◈。尽管如此ღ◈，我们必须继续加快努力ღ◈，通过协作和获取数据来促进医疗保健ღ◈。

　　心脏病学处于人工智能在医学领域的前沿ღ◈，在信号处理ღ◈、图像分割和结构化数据分析方面取得了重大进展ღ◈。近年来在心脏病学的几乎所有领域都取得了重大成就ღ◈，在心电图分析ღ◈、影像研究的自动解释和风险预测方面取得了一些具体进展ღ◈。然而ღ◈，人工智能很容易在解释ღ◈、有效性和概括性方面出现重大错误ღ◈，以及需要提前解决的安全和伦理问题ღ◈。很明显ღ◈，人工智能需要计算机科学家ღ◈、临床研究人员ღ◈、临床医生和其他用户之间的密切合作ღ◈，以确定最相关的问题ღ◈，并找到解决问题的最佳方法和数据来源ღ◈。这项合作证明ღ◈，人工智能在心脏病学和医学领域的未来是光明的ღ◈。尊龙凯时app尊龙凯时app下载ღ◈！尊龙凯时人生就是博(中国)官网ღ◈，尊龙凯时人生就是搏官网ღ◈，尊龙凯时人生就是搏(中国)官网ღ◈，自动化前景ღ◈，尊龙凯时人生就是博自动驾驶ღ◈。