文献速递I人工智能在心血管领域中的的应

前言

人工智能(artificialintelligence，AI)是基于计算机科学来模拟人脑学习知识、储存知识、思考规划的思维过程的一种技术。近年来，心血管领域中AI应用和创新呈指数式发展，其在心律失常、心力衰竭、冠心病、心血管影像学研究中的早期准确诊断和风险预测方面取得重要进展，AI似乎已经从科幻小说变成了一种非常真实的力量，一步步为实现心血管疾病的“真正的精准医疗”铺平道路。本文将简要介绍近年关于AI应用于心血管领域方面的高质量研究成果，与大家一起学习！

人工智能预测和管理心律失常

《Lancet：人工智能心电图可从正常窦性心律中鉴别房颤》

背景：房颤因早期无明显症状而不易识别，而房颤会增加脑卒中、心衰和死亡的风险。然而，现有的筛选方法需要长时间的监测，受高成本和低收益的限制。

目的：研究人员致力于开发一种快速、廉价、即时的方法，即采用人工智能来检测房颤。

方法：研究人员利用脑回神经网络算法开发了一种人工智能模型，其可以从病人在正常节律时做的10秒心电图中发现房颤迹象。并以年满18岁至少做过一次标准12导联ECG且为正常窦性心律的患者对该系统进行验证，从而将伴有房颤或房扑的患者归为房颤阳性。

结果：研究纳入例病人在年12月至年7月期间做的大约张心电图，按照是否患有房颤将病人数据分为两组。心电图数据被分成了三组：训练、内部验证和测试数据。其中，位病人的张心电图作为训练数据，位病人的张心电图作为验证数据，36,位病人的,张心电图作为测试数据。在测试集中有位（8.4%）之前ECGs提示为正常窦性心律的患者被确诊为房颤。对每位病人的第一张心电图进行测试时，单张心电图的准确率达79%，而当使用同一病人的多张心电图进行训练后，准确率提高到了83%。

结论：首次深度学习ECG，识别潜在房颤病人，正确率高达83%。该技术可以识别人眼无法识别的心电图信号，从而有助于筛查正常窦性心律中隐藏的房颤患者。

《naturemedicine：基于深度神经网络的动态心电图心律不齐检测与分类》

摘要

计算机心电图(ECG)解释在临床心电图工作流程中起着至关重要的作用。广泛可用的数字心电数据和深度学习的算法范式为大幅度提高自动心电分析的准确性和可扩展性提供了机会。然而，对端到端深度学习方法在多种诊断类别中进行心电分析的综合评估，以前还没有报道过。在这里，我们开发了一个深度神经网络(DNN)来分类12种心律，使用了来自53,名使用单导联心电图监测装置的患者的91,个单导联心电图。当使用由委员会认证的执业心脏病专家一致认可的独立测试数据集进行验证时，DNN在受试者工作特征曲线(ROC)下的平均面积为0.97。DNN的平均F1score(阳性预测值和敏感性的调和平均值)(0.)超过了心脏病专家的平均值(0.)。当特异性固定在心脏病专家达到的平均特异性上时，DNN的敏感性超过了心脏病专家对所有心律分类的平均敏感性。这些发现表明，端到端的深度学习方法可以从单导联心电图中对多种不同的心律失常进行分类，具有与心脏病专家相似的高诊断性能。如果在临床得到证实，这种方法可以通过对最紧急的情况进行准确的分类或优先处理，降低误诊率，提高专家心电判读的效率。

人工智能与心衰管理

《EurHeartJ：基于机器学习的心脏再同步治疗患者的死亡率预测》

目的：该研究目标通过建立一种基于机器学习（ML）的风险分层系统，根据心脏再同步治疗（CRT）患者的植入前参数预测1年、2年、3年、4年和5年全因死亡率。

方法和结果：纳入包含例CRT植入患者的回顾性数据库对多个ML模型进行训练，以预测1至5年全因死亡率。选择了33个植入前临床特征来训练模型。在一个包含例患者的独立队列中，对表现最佳的模型[SEMMELWEIS-CRT评分（对CRT植入患者进行机器学习的个体化死亡风险评估）]和既往评分（西雅图心衰模型、VALID-CRT、EAARN、ScREEN和CRT评分）进行了测试。5年的随访期间，训练队列有例死亡（53％），测试队列有80例死亡（51％）。在经过训练的分类模型中，随机森林的表现最佳。对于预测1年、2年、3年、4年和5年死亡率，SEMMELWEIS-CRT评分的受试者操作特征曲线下面积分别为0.(95%CI:0.–0.;P0.)、0.（95％CI：0.-0.;P0.）、0.（95％CI：0.-0.;P0.）、0.（95％CI：0.-0.;P0.）和0.（95％CI：0.-0.；P0.）。该模型的判别能力优于其他评分。

结论：SEMMELWEIS-CRT评分（可在semmelweiscrtscore.

转载请注明：http://www.ctongt.com/gbsl/9598.html