利用AI预测或可改善心衰再入院率（上）

导读

深度学习通过自动从各类医学影像、电子健康档案数据中提取重要特征并分析，实现对心力衰竭的诊断、预后及再入院预测。

心力衰竭（HF）的主要潜在致病原因，包括冠状动脉疾病、心脏瓣膜病、高血压、心肌病，以及其他疾病（图1），尽管与治疗这些病因相关的临床管理、外科手术和医疗设备都取得了进展，但HF的治疗仍然面临重大挑战。需要应用新技术、新方法来优化这种慢性病的管理，改善临床决策和预后，并最终减少相关医疗支出。

在此背景下，一篇近期发表于 Digital Medicine in Heart Failure 的综述论文为大家详细介绍了深度学习（Deep Learning，DL）技术在HF诊疗中的应用现状，文章通过聚焦诊断、预后和再住院风险预测，探索DL在该领域应用的成熟度。

01

DL可自动提取特征用于HF诊断、预后和再入院预测

HF是一种以结构性或功能性心脏功能障碍为特征，伴有左心室射血分数降低或保留的慢性进行性综合征。呼吸困难、疲劳和运动耐受性差等症状极大影响患者生活质量，也导致频繁住院和预期寿命缩短。

HF被公认为是一种异质性多因素综合征，因此改进患者的评估和管理需要整合从不同来源获得的数据，如实验室、超声图和形态学信息，并处理各种症状和合并症（心血管和非心血管）的复杂相互作用。

随着越来越多生物医学数据可用，以及医疗健康行业大数据解决方案的进步，存储和管理大量数据成为可能，这些技术的出现也为开发新的疾病风险评估工具和预测模型排除了障碍。作为人工智能（AI）的分支之一——机器学习（Machine Learning，ML）的子领域（图2），DL试图反映人脑处理数据的方式（特别是其学习能力）。

传统的ML方法需要通过人机交互来确定可用数据中的哪些特征对于分类／预测问题的解决至关重要；而DL的目的是自行学习如何从数据中提取知识。换句话说，DL能自动从数据中提取对解决给定任务非常重要的特征。近年来，DL已经在疾病早期诊断、缩短住院日、为改进疾病治疗提供新机会等方面显示出潜力，其中就包括HF的诊断、预后和再入院预测。

02

通过分析ECG、MRI、UCG、EHR数据DL可支持早期诊断

HF的早期诊断可以降低患者的死亡率和发病率。因此，人们投入了大量精力来开发算法，以支持临床医生早期诊断HF。HF诊断可以通过分析心电图（ECG）、磁共振（MRI）和超声心动图（UCG）等医学影像，包括电子健康档案（EHR）来实现。

对ECG的分析这一主题可以找到该领域最丰富的文献。Kwon等人提出了一种基于人工神经网络（ANN）的ML算法用于HF识别，受试者工作特征曲线下面积（AUC）达到0．89。在??nar等人的研究中，一种基于卷积神经网络（CNN）的更高级的算法被用于从ECG频谱图中自动提取特征给出诊断，准确度达0．97。Acharya等人提出了一种完全基于DL的流程，它利用CNN从ECG信号中自动提取相关特征来对HF进行早期诊断，准确度可达0．99。

通过分析EHR进行诊断也受到关注。Choi等人发表的关于使用循环网络早期检测HF发作（AUC为0．88）的里程碑式的论文，在此基础上，几篇遵循类似范例的论文也发表了。例如，使用长短期记忆（LSTM）处理包含医学信息的带时间标记的EHR，AUC为0．89；使用LSTM对大量特征（如人口统计学、程序性、医学）进行分类，AUC为0．82；Ma等人提出了一种更先进的方法，使用CNN和注意力机制（attention mechanism）进行诊断，准确度为0．91。

基于预测HF发病的目标，ML和DL在图像处理领域的应用也被提出。有几项研究特别关注MRI成像：提出了一种用于自动分割左心室的DL算法，作为评估HF患者心功能的一个先决条件，其中Dice相似系数达到0．97。采用基于K－近邻法的ML方法对心肌图进行纹理分析，识别HF的早期症状，AUC为0．85。

除了MRI，其他研究集中在UCG成像：Tabassian等人使用K－近邻法分析UCG变形曲线的时空模式，准确度为0．89；Cikes等人则使用K－均值聚类算法（K－means clustering algorithm）评估UCG模式，以确定患者的病理组。Seah等人进行了一项尝试，即利用DL从胸部X光片中预测HF标志物，尽管获得了乐观的结果（AUC ＝ 0．82），但仍需要更多研究来了解DL在处理胸片以进行HF诊断方面的潜力。

03

DL预测HF预后为个性化照护提供依据

一些研究也已经使用DL来预测HF患者的不同结局。具体而言，研究指标包括死亡率、住院率、再入院率、风险预测、机械循环支持需求、心脏移植和治疗效果。利用DL技术预测HF预后一般基于通过EHR获得的数据，包括住院前和住院期间的人口统计信息、治疗和药物、实验室结果、ECG和UCG。

Wang等人应用ANN研究了10203例住院患者的EHR，并在三个观察窗口（即住院、1个月和1年死亡率）早期检测患者的心衰死亡。最终，ANN预测死亡率的AUC分别为0．904（住院）、0．891（1个月观察）和0．887（1年观察）。

Kwon等人通过整合临床和实验室数据，在急性HF患者的多中心队列中使用基于DL的模型来预测死亡率。对4759例患者的验证结果显示，预测住院、12个月、36个月死亡率的AUC分别为0．880、0．782和0．813。总体而言，DL优于传统的GWTG－HF评分和慢性心力衰竭的全球荟萃分析小组（MAGGIC）评分以及其他ML模型。由于GWTG－HF和MAGGIC不能用于初始治疗或筛查，Kwon等人应用DL仅根据UCG数据来预测25776名患者的住院死亡率。在HF的亚组分析中，DL的AUC（0．913）高于MAGGIC（0．806）和GWTG－HF（0．783）评分。

Medved等人比较了基于DL的国际心脏移植生存算法（IHTSA）与心脏移植后死亡率预测指数（IMPACT）对心脏移植后1年生存的预测。在27705例患者（5597例在测试队列）中，DL的AUC为0．654，与IMPACT模型的AUC（0．608）相比，表现有所改善。研究者对93260名HF患者进行了分析，以确定可预防的结果，如住院和急诊。与ML和逻辑回归（LR）模型相比，DL模型的AUC最高，分别为0．778和0．681。尽管是适度、有限的，但这些结果仍为DL技术在临床实践中的应用带来了希望。

此外，DL很有希望通过无监督学习来识别具有射血分数保留的心衰（HFpEF）的不同患者亚组，从而提供更量身定制的临床护理。HFpEF的病理发展被归因于心脏和心外功能障碍的复杂相互作用，导致该人群患者的显著表型异质性。这种多样性强调，观察到的功能障碍背后并没有一个单一的病理过程，从而影响目标管理计划。

近年来，不同的研究通过整合多个患者数据对HFpEF患者进行的聚类研究取得了进展。Pandey等人通过分析1242个HFpEF病例预测高风险和低风险表型群体，并在5个外部队列中得以验证。与2016年美国超声心动图学会（ASE）指南为基础的左心室分级相比，DL方法预测左心室压升高的AUC更高（0．883 vs．0．676）。尽管HFpEF仍然是一种需要管理的具有挑战性的临床状况，但与当前的临床模式相比，使用UCG和EHR数据对基于模型学习的患者进行聚类，可能会为HFpEF患者提供更好的预后益处，改善HF患者的个性化护理途径。

本文未完，接下来的内容请看下一篇：《利用AI预测或可改善心衰再入院率（下）》

参考材料：

Marco Penso， Sarah Solbiati， Sara Moccia ＆ Enrico G． Caiani， et al． Decision Support Systems in HF based on Deep Learning Technologies ［J］． Digital Medicine in Heart Failure， 2022， （2）．

【责任编辑：苏夏】

——本公众号所有图文，未经许可，严禁转载！

如需转载，请提前与编辑联系取得转载许可。否则视为侵权！

原文标题:利用AI预测或可改善心衰再入院率（上）