袁玥
湖北省中医院，湖北省武汉市，430000
摘要：随着科学技术的发展，我国的人工智能技术有了很大进展，并在心血管疾病诊断中得到了广泛的应用。由于医学数据集的数量，高维性和异构性，使得人为驱动的分析变得不切实际。基于机器学习算法的人工智能特别适合应对“大数据”的挑战。心血管病是由遗传、环境和行为学多因素共同作用造成的，机器学习算法可以通过全面整合患者心血管病的危险因素和冠脉解剖影像参数，优化传统的风险评估模型，从而更加精准地预测病情的发展及预后，为患者后续治疗提供精准决策支持。本文主要对人工智能在心血管病中的应用进行综述。
关键词：机器学习；人工智能；心血管病；风险预测
引言
近年来，基因测序、多组学、可穿戴设备等技术的进步和普及，大量的、各种类型的特征数据随之产生，大数据时代对传统的统计学分析方法提出了挑战。但相比肿瘤性疾病，以高血压为代表的慢性疾病发病机制和病理生理过程存在高度异质性和复杂性，遗传因素、表观遗传因素、社会因素、环境因素、行为学因素均参与其中并存在交互作用，导致研究和分析更为困难。在临床实践方面，尽管各国的临床实践指南不断更新并强调了规范降压治疗，但真实世界数据提示高血压患者的知晓率、控制率、降压达标率仍较低，患者对于降压治疗的反应性存在差异。多个大型随机对照的治疗学临床试验所得出的目标血压值等结果也不一致，高血压患者可能存在不同的临床表型和特征聚类，而个体化的诊疗，即精准医学，可能是未来优化医疗质量和患者预后的重要方法。
1人工智能
人工智能（AI）是一门科学和工程，它能够模拟人类的思维过程，应用复杂的算法和先进的计算能力处理及其大量的数据（即“大数据”）并进行学习。随着计算机技术（如可穿戴设备、移动智能终端应用程序、电子化病历系统、社交媒体）在临床中的应用，大数据和AI技术在高血压和心血管疾病诊治方面的应用日益受到关注。一方面，以机器学习为代表的AI技术在处理高维度、非线性关系中具有强大优势，能够建立更加精准的模型预测高血压的发病、终点事件、治疗反应性等，指导患者的危险分层和个体化管理；另一方面，AI能够在传统心血管危险因素的基础上整合多组学（如基因组学、蛋白质组学、代谢组学）、社会经济、行为和环境因素等多种变量，发掘新的危险因素、临床表型或干预靶点，为发展个体化医疗提供了重要的工具。
2人工智能在心血管病风险预测中的应用
2.1血压测量
由于PPG受血容量等多种因素影响，需要进行充分的校准。现有研究证实，应用ANN、SVM等ML算法纳入人口学指标（年龄、体重、体重指数）、心电信号等变量，可根据PPG信号对血压进行较为准确的预测。通过智能手机或智能手表等便携式移动设备PPG信号并与AI算法结合，可便捷监测血压。根据现有的高血压指南，上臂袖带式血压计仍是推荐的血压测量方式。基于AI、大数据分析和可穿戴设备的无袖带血压测量，尚需要通过大规模的临床验证积累足够的支持数据。近年来，24小时动态血压和诊室血压在高血压诊治中的地位不断提高，AI技术优化的可穿戴设备能够提供更为灵活便捷的测量方式，有望提高隐匿性高血压和白大衣高血压的诊断。
另一方面，AI算法还能够分析可穿戴设备的信号，预测中心动脉压，实时连续的中心动脉压数据积累可能为理解高血压的发病和病理生理机制提供新的线索，进而影响高血压的诊断和治疗方案。
2.2人工智能在超声心动图中的应用
超声心动图检查临床应用广泛，可以帮助临床医生快速准确评估心脏结构和功能。目前，超声心动图的影像解读主要在操作者目测下完成，主观性较强。随着深度学习算法在计算机视觉领域中的应用，实现了对超声心动图影像的视点识别、图像分割、结构和功能的量化。有研究基于监督学习算法实现了心脏重构和功能障碍早期阶段的检测，进而对心脏疾病早期干预。Zhang等基于CNN算法学习了14035张超声心动图影像，通过对心脏结构的自动识别与分割，实现心腔结构的量化以及计算射血分数。与手动分割超声心动图的测量结果相比，前者的精准度优于传统的手工裸眼标记测量，且效率更高。
2.3彩色多普勒超声
应用彩色多普勒超声对心血管疾病诊断中，其图像层次更加清晰，同时对结果的获取速度更快，图像诊断也更加直观，对心血管疾病的诊断结果更加权威。
2.4人工智能在单光子发射计算机断层成像中的应用
单光子发射CT（singlephotonemissioncomputedtomography，SPECT）利用心肌血流灌注显像剂的示踪特性，观察心肌血流灌注和存活情况，对早期冠心病的诊断敏感性较高。在SPECT心肌灌注成像中，对左心室和二尖瓣平面分割仍然受限于操作者的视觉评估和手动调整，而瓣膜平面定位的精确与否将影响心肌灌注的量化。Betancur等利用支持向量机模型通过对瓣膜平面精确分割，提高了SPECT心肌血流灌注自动分析的准确性。该团队在另一项研究中利用LogitBoost算法回顾性分析了2619名冠心病患者SPECT图像特征和临床数据（年龄，性别，高血压，血脂异常，吸烟，糖尿病和冠心病家族史等），预测冠心病患者3年发生MACE事件的风险。结果显示机器学习算法用于MACE事件预测的brier分数为0.07，表明基于机器学习算法的MACE事件风险预测模型与观察到的患者3年间发生MACE事件高度符合。
结语
综上所述，在未来，进一步推进AI在高血压诊疗中的应用，建立标准化、多模态、大数据的电子数据库将是AI研究的必要基础。此外，由于AI的过程以提高预测精度为目标，所使用的变量和算法通常无法用现有临床知识解释，因此需要进行充分、大规模的外部数据验证，通过更多的临床试验评估AI技术指导下的高血压诊断和治疗方案的可行性和临床获益。最后，高血压临床实践的过程中，尚需与设备研发、软件设计、社交媒体运营等专业人员协作，提高AI技术在临床应用场景中的可操作性和应用效果。
参考文献
[1]胡盛寿,高润霖,刘力生,等.《中国心血管病报告2018》概要.中国循环杂志,2019,34(3):209-220.
[2]程羽,孙增坤,袁萌,等.基于治未病思想探索中医健康管理新模式.中华中医药杂志.2015,30(11):3993-3995.
[3]夏淑洁,杨朝阳,李灿东.智能化中医“治未病”健康管理模式探析.中华中医药杂志,2019,34(11):5007-5010.