導讀

深度學習通過自動從各類醫(yī)學影像、電子健康檔案數(shù)據(jù)中提取重要特征并分析，實現(xiàn)對心力衰竭的診斷、預后及再入院預測。

心力衰竭（HF）的主要潛在致病原因，包括冠狀動脈疾病、心臟瓣膜病、高血壓、心肌病，以及其他疾病（圖1），盡管與治療這些病因相關的臨床管理、外科手術和醫(yī)療設備都取得了進展，但HF的治療仍然面臨重大挑戰(zhàn)。需要應用新技術、新方法來優(yōu)化這種慢性病的管理，改善臨床決策和預后，并最終減少相關醫(yī)療支出。

在此背景下，一篇近期發(fā)表于 Digital Medicine in Heart Failure 的綜述論文為大家詳細介紹了深度學習（Deep Learning，DL）技術在HF診療中的應用現(xiàn)狀，文章通過聚焦診斷、預后和再住院風險預測，探索DL在該領域應用的成熟度。

01

DL可自動提取特征用于HF診斷、預后和再入院預測

HF是一種以結構性或功能性心臟功能障礙為特征，伴有左心室射血分數(shù)降低或保留的慢性進行性綜合征。呼吸困難、疲勞和運動耐受性差等癥狀極大影響患者生活質量，也導致頻繁住院和預期壽命縮短。

HF被公認為是一種異質性多因素綜合征，因此改進患者的評估和管理需要整合從不同來源獲得的數(shù)據(jù)，如實驗室、超聲圖和形態(tài)學信息，并處理各種癥狀和合并癥（心血管和非心血管）的復雜相互作用。

隨著越來越多生物醫(yī)學數(shù)據(jù)可用，以及醫(yī)療健康行業(yè)大數(shù)據(jù)解決方案的進步，存儲和管理大量數(shù)據(jù)成為可能，這些技術的出現(xiàn)也為開發(fā)新的疾病風險評估工具和預測模型排除了障礙。作為人工智能（AI）的分支之一——機器學習（Machine Learning，ML）的子領域（圖2），DL試圖反映人腦處理數(shù)據(jù)的方式（特別是其學習能力）。

傳統(tǒng)的ML方法需要通過人機交互來確定可用數(shù)據(jù)中的哪些特征對于分類／預測問題的解決至關重要；而DL的目的是自行學習如何從數(shù)據(jù)中提取知識。換句話說，DL能自動從數(shù)據(jù)中提取對解決給定任務非常重要的特征。近年來，DL已經(jīng)在疾病早期診斷、縮短住院日、為改進疾病治療提供新機會等方面顯示出潛力，其中就包括HF的診斷、預后和再入院預測。

02

通過分析ECG、MRI、UCG、EHR數(shù)據(jù)DL可支持早期診斷

HF的早期診斷可以降低患者的死亡率和發(fā)病率。因此，人們投入了大量精力來開發(fā)算法，以支持臨床醫(yī)生早期診斷HF。HF診斷可以通過分析心電圖（ECG）、磁共振（MRI）和超聲心動圖（UCG）等醫(yī)學影像，包括電子健康檔案（EHR）來實現(xiàn)。

對ECG的分析這一主題可以找到該領域最豐富的文獻。Kwon等人提出了一種基于人工神經(jīng)網(wǎng)絡（ANN）的ML算法用于HF識別，受試者工作特征曲線下面積（AUC）達到0．89。在??nar等人的研究中，一種基于卷積神經(jīng)網(wǎng)絡（CNN）的更高級的算法被用于從ECG頻譜圖中自動提取特征給出診斷，準確度達0．97。Acharya等人提出了一種完全基于DL的流程，它利用CNN從ECG信號中自動提取相關特征來對HF進行早期診斷，準確度可達0．99。

通過分析EHR進行診斷也受到關注。Choi等人發(fā)表的關于使用循環(huán)網(wǎng)絡早期檢測HF發(fā)作（AUC為0．88）的里程碑式的論文，在此基礎上，幾篇遵循類似范例的論文也發(fā)表了。例如，使用長短期記憶（LSTM）處理包含醫(yī)學信息的帶時間標記的EHR，AUC為0．89；使用LSTM對大量特征（如人口統(tǒng)計學、程序性、醫(yī)學）進行分類，AUC為0．82；Ma等人提出了一種更先進的方法，使用CNN和注意力機制（attention mechanism）進行診斷，準確度為0．91。

基于預測HF發(fā)病的目標，ML和DL在圖像處理領域的應用也被提出。有幾項研究特別關注MRI成像：提出了一種用于自動分割左心室的DL算法，作為評估HF患者心功能的一個先決條件，其中Dice相似系數(shù)達到0．97。采用基于K－近鄰法的ML方法對心肌圖進行紋理分析，識別HF的早期癥狀，AUC為0．85。

除了MRI，其他研究集中在UCG成像：Tabassian等人使用K－近鄰法分析UCG變形曲線的時空模式，準確度為0．89；Cikes等人則使用K－均值聚類算法（K－means clustering algorithm）評估UCG模式，以確定患者的病理組。Seah等人進行了一項嘗試，即利用DL從胸部X光片中預測HF標志物，盡管獲得了樂觀的結果（AUC ＝ 0．82），但仍需要更多研究來了解DL在處理胸片以進行HF診斷方面的潛力。

03

DL預測HF預后為個性化照護提供依據(jù)

一些研究也已經(jīng)使用DL來預測HF患者的不同結局。具體而言，研究指標包括死亡率、住院率、再入院率、風險預測、機械循環(huán)支持需求、心臟移植和治療效果。利用DL技術預測HF預后一般基于通過EHR獲得的數(shù)據(jù)，包括住院前和住院期間的人口統(tǒng)計信息、治療和藥物、實驗室結果、ECG和UCG。

Wang等人應用ANN研究了10203例住院患者的EHR，并在三個觀察窗口（即住院、1個月和1年死亡率）早期檢測患者的心衰死亡。最終，ANN預測死亡率的AUC分別為0．904（住院）、0．891（1個月觀察）和0．887（1年觀察）。

Kwon等人通過整合臨床和實驗室數(shù)據(jù)，在急性HF患者的多中心隊列中使用基于DL的模型來預測死亡率。對4759例患者的驗證結果顯示，預測住院、12個月、36個月死亡率的AUC分別為0．880、0．782和0．813�？傮w而言，DL優(yōu)于傳統(tǒng)的GWTG－HF評分和慢性心力衰竭的全球薈萃分析小組（MAGGIC）評分以及其他ML模型。由于GWTG－HF和MAGGIC不能用于初始治療或篩查，Kwon等人應用DL僅根據(jù)UCG數(shù)據(jù)來預測25776名患者的住院死亡率。在HF的亞組分析中，DL的AUC（0．913）高于MAGGIC（0．806）和GWTG－HF（0．783）評分。

Medved等人比較了基于DL的國際心臟移植生存算法（IHTSA）與心臟移植后死亡率預測指數(shù)（IMPACT）對心臟移植后1年生存的預測。在27705例患者（5597例在測試隊列）中，DL的AUC為0．654，與IMPACT模型的AUC（0．608）相比，表現(xiàn)有所改善。研究者對93260名HF患者進行了分析，以確定可預防的結果，如住院和急診。與ML和邏輯回歸（LR）模型相比，DL模型的AUC最高，分別為0．778和0．681。盡管是適度、有限的，但這些結果仍為DL技術在臨床實踐中的應用帶來了希望。

此外，DL很有希望通過無監(jiān)督學習來識別具有射血分數(shù)保留的心衰（HFpEF）的不同患者亞組，從而提供更量身定制的臨床護理。HFpEF的病理發(fā)展被歸因于心臟和心外功能障礙的復雜相互作用，導致該人群患者的顯著表型異質性。這種多樣性強調，觀察到的功能障礙背后并沒有一個單一的病理過程，從而影響目標管理計劃。

近年來，不同的研究通過整合多個患者數(shù)據(jù)對HFpEF患者進行的聚類研究取得了進展。Pandey等人通過分析1242個HFpEF病例預測高風險和低風險表型群體，并在5個外部隊列中得以驗證。與2016年美國超聲心動圖學會（ASE）指南為基礎的左心室分級相比，DL方法預測左心室壓升高的AUC更高（0．883 vs．0．676）。盡管HFpEF仍然是一種需要管理的具有挑戰(zhàn)性的臨床狀況，但與當前的臨床模式相比，使用UCG和EHR數(shù)據(jù)對基于模型學習的患者進行聚類，可能會為HFpEF患者提供更好的預后益處，改善HF患者的個性化護理途徑。

本文未完，接下來的內容請看下一篇：《利用AI預測或可改善心衰再入院率（下）》

參考材料：

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）．

【責任編輯：蘇夏】

——本公眾號所有圖文，未經(jīng)許可，嚴禁轉載！

如需轉載，請?zhí)崆芭c編輯聯(lián)系取得轉載許可。否則視為侵權！

       原文標題 : 利用AI預測或可改善心衰再入院率（上）