導讀

61．3％的心衰患者出院后1年內再入院，早期預測患者的再住院概率和原因有助于制定和調整患者出院后的遠程支持和教育。

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�。▓D1），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。

DL應用于HF診斷及預后預測的相關內容請看上一篇：《利用AI預測或可改善心衰再入院率（上）》

04

預測再入院有助于定制和調整患者出院后遠程支持

HF再入院率非常高，61．3％的患者出院后1年內因HF再入院，這對患者的生活質量以及醫(yī)療系統(tǒng)都產(chǎn)生了負面影響。開發(fā)有效工具預測患者的再住院概率和原因有助于制定和調整患者出院后的遠程支持和教育。此外，早期識別高�；颊邔⒏纳瓶赡芡炀壬�命的隨訪時間安排。

自患者出院起，EHR包含的大量數(shù)據(jù)可支持對患者預后及再入院概率的預測。一些研究探討了將DL模型應用于此的可能性，比如CONTENT。它是一個基于RNN，旨在預測30天再入院率的DL模型。它利用5393名充血性HF患者的EHR進行開發(fā)，嵌入了與患者疾病、實驗室檢查、藥物相關的數(shù)據(jù)。盡管優(yōu)于其他現(xiàn)有模型，但結果仍不能令人滿意，平均查準率－查全率曲線AUC為38．94％，AUC為61．03％，準確度為69．34％�；�于住院和門診患者訪問期間獲得的數(shù)據(jù)開發(fā)的深度統(tǒng)一網(wǎng)絡模型的結果略有改善，預測HF患者30天再入院的平均AUC為70．5％，準確度為76．4％。

將基于DL的方法應用于來自EHR的大數(shù)據(jù)還可以識別HF患者的亞型。Xiao和同事的研究能夠識別出20個充血性HF患者亞組，每個亞組可能表現(xiàn)出不同的合并癥，這些合并癥可能影響該綜合征的進展，從而影響再次入院的風險。這種方法可以為個性化和有針對性的家庭護理路徑的識別和開發(fā)鋪平道路。

遠程監(jiān)測解決方案可以有效支持HF患者管理自身病情，提高生活質量，從而降低再入院和死亡的風險。目前的方法主要包括使用可植入設備進行遠程監(jiān)測，如CardioMems和IN－TIME方法已被2016年歐洲心臟病學年會（ESC）急性診斷和治療指南推薦為II類，用于特定患者急性和慢性HF的診斷和治療。由于技術和通信系統(tǒng)的進步，非侵入性遠程醫(yī)療解決方案，包括基于電話的監(jiān)測和教育、可穿戴和移動健康，已經(jīng)得到實施和測試。

TIM－HF2（心力衰竭的遠程醫(yī)療介入管理II）前瞻性隨機對照試驗是一個成功的無創(chuàng)多參數(shù)遠程患者監(jiān)測的例子。796名患者被分配到遠程監(jiān)測組，775名患者被分配到對照組。該研究涉及多種每天測量和傳輸?shù)纳�理參�?shù)，包括體重、血壓、心電圖、心率和外周毛細血管氧飽和度，以及健康狀況的自我評分，促進遠程醫(yī)療中心與心臟病專家、全科醫(yī)生的合作。遠程醫(yī)療軟件分析收集到的數(shù)據(jù)，并將患者劃分風險類別。

結果表明，該研究有效地支持了高�；颊咦R別，加速了有針對性的干預，從而減少了1年隨訪期天數(shù)和全因死亡率。最近的一項研究進一步改進了這些結果，實現(xiàn)了基于TIM－HF2數(shù)據(jù)庫的DL神經(jīng)網(wǎng)絡模型，使平均AUC值達到0．84。

可穿戴設備還可以促進對患者出院后健康狀況的持續(xù)監(jiān)測，從而為改善遠程監(jiān)測和醫(yī)療保健提供機會。LINK－HF研究旨在評估使用佩戴在胸部的可穿戴傳感器預測導致HF患者再次住院的病情惡化的準確性。設備連續(xù)采集心電圖、加速度信號、皮膚阻抗和皮膚溫度數(shù)據(jù)，監(jiān)測心率及其變異性、心律失常負荷、呼吸頻率、體力活動和身體姿勢。收集到的數(shù)據(jù)被上傳云端進行分析。基于相似度的ML算法生成一個多變量指標來反映獲得的重要參數(shù)的變化程度。該平臺在預測HF惡化患者再入院方面的敏感度為76．0 － 87．5％，特異性水平為85％。

隨著DL算法在HF患者管理領域越來越多的應用，以及心血管醫(yī)學的快速發(fā)展，DL有可能為醫(yī)療健康領域的新一代預測方法鋪平道路，這種方法可以自動參與治療規(guī)劃的基本過程，幫助識別復雜和異構數(shù)據(jù)集中的隱藏信息，有效支持臨床醫(yī)生的日�；顒�。

要使DL成為臨床實踐的一部分，還需要妥善解決一些挑戰(zhàn)，比如數(shù)據(jù)高度異構、患者數(shù)量有限、訓練數(shù)據(jù)集差異等，包括所需經(jīng)濟投入，以及立法監(jiān)管、倫理問題。但挑戰(zhàn)也帶來了新的機遇和進一步研究的需要，以提供更多證據(jù)，證明這些算法正在轉化為更好的患者護理質量、改善結果和醫(yī)療成本降低。

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（下）