|
作 者：何斌，储慧民 作者单位：宁波大学医学院（何斌）；宁波市第一医院心内科（储慧民） 基金项目： 浙江省基础公益研究计划项目（LGJ20H20001） 摘 要 房颤是临床上最常见的心律失常，传统手段筛查房颤的漏诊率较高，因此早期诊断存在较大挑战。人工智能的出现突破了传统手段的局限性，在房颤的筛查、诊断及治疗中展现出独特的优势和广阔的应用前景。本文对人工智能在房颤诊疗中的应用进展进行综述。 房颤是最常见的心律失常，可增加脑卒中、心力衰竭及死亡风险，其早期识别、诊断和治疗仍存在一定挑战。传统的筛查手段具有较大局限性，大大低估了房颤的患病率。近年来，随着监测技术的不断进步，房颤人群基数越来越大；医生需要面对大量患者的临床数据(包括用药信息等)，并基于这些资料为他们制定个体化的治疗方案，但运用传统的统计学工具处理大数据存在较大难度。人工智能（artificial intelligence，AI）算法能很好地弥补上述缺陷，近年来开始在房颤诊疗领域崭露头角。 1 常用的人工智能技术 AI是计算机科学的一个分支，是使机器模仿人类智力处理问题，包括机器学习（machine learning, ML）和深度学习（deep learning, DL）等。AI的工作模式见图1。  ML作为一门交叉学科，是在统计学和计算机科学的交互作用下产生的，主要研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构，从而不断完善自身的性能。ML的过程可大致分为数据预处理、特征提取、数据分类、模拟训练及优化。ML主要分为监督式学习、非监督式学习和强化学习三种基本类型：监督式学习是依靠正确标签的训练资料，根据输入值得到可能的输出(预测或分类)，常用于疾病的诊断和预测；非监督式学习不需要预测结果，主要是为发现数据集中不同变量之间的运算结果或相关关系，常应用于患者的个体化分类管理；强化学习是通过给定的输入数据和结果进行循环试验学习的行为，目前在医学领域应用较少，未来可能在患者个体化用药指导方面有较大的应用前景。 DL是ML研究的一个新领域，目的在于构建与人类大脑类似的神经网络，包括神经网络（neural network，NN）和卷积神经网络（convolution neural network, CNN）等。NN是一种模拟人脑对众多信号进行整合计算的数学模型，可以对复杂信息进行简单的统筹处理。CNN是DL模型中应用最广泛的一种，能够仿造生物的视觉和知觉机制，通过多次卷积计算对数据集特征进行分类提取，并依靠模型认知能力得到结果，常用于临床图像采集、处理和解析。相较于ML，DL具有以下优点：① 数据处理精确度更高；② 可以使用更多数据进行更好的扩展；③ 不需要输入复杂的特征参数，而可以直接处理数据；④ 适应性强，易于在不同领域间切换。但DL同时具有以下缺点：① 需要较大的数据集，② 需要高端的图形处理器，其价格昂贵，③ DL模型是“黑匣子”型，很难了解其“内部”。 2 人工智能在房颤诊断中的应用 传统的房颤诊断方法主要有心脏查体及心电图等。12导联心电图是诊断房颤的金标准，根据心电图的RR间期及P波来诊断。但是由于房颤患者数量急剧增多，医生对于大量心电图有时无法做出及时诊断。此外，部分患者为阵发性房颤，普通12导联心电图或24 h动态心电图可能因无法记录到房颤发作而造成漏诊。植入型心电事件记录仪可将监测时间延长至3年，但价格昂贵，且为有创操作，给患者及临床工作造成负担。如果房颤患者未能及时确诊，就不能接受抗凝等治疗，甚至造成血栓栓塞事件，后果十分严重。因此，无论是医生还是患者都亟需一种无创、廉价、简便的房颤监测手段。 2.1 房颤筛查 基于ML的诊断方法可提高对心电数据特征的提取能力，在12导联或单导联心电图上能够准确识别心律的变化情况。HANNUN等将91 232份单导联心电图记录导入CNN中，创建出一个模型用于区分包括房颤在内的12种不同的心律，发现该模型预测心律的曲线下面积高达0.91。随后,该模型被整合成NN软件并编码进可穿戴设备中，通过光电容积脉搏波采集信号，再根据信号进行心律分析。美国苹果公司开展了一项应用可穿戴设备进行房颤监测的临床研究（Apple Heart Study），纳入419 297例参与者，所有被该设备识别出有房颤发作的对象均接受心电图检查，其中34%被确诊为房颤，阳性预测值84%。国内利用智能手环筛查房颤的研究（HUAWEI Heart Study）结果也已公布，在187 912例使用智能手环的人群中筛查出424例“疑似房颤”患者，其中262例接受医疗机构的检查，共确诊227例房颤，阳性预测值达91.6%。目前，通过可穿戴设备还可以记录心电图，如Apple Watch Kardiaband搭配苹果手表即可记录单导联心电图。一项纳入24例阵发性房颤患者的研究显示，该设备识别房颤发作时间≥1 h的敏感性达97.5%。上述研究证实了可穿戴设备应用于房颤监测的可行性。 2.2 房颤预测 在房颤发生前，心房结构可能已经出现改变，如心肌肥大、纤维化等，导致微弱的心电改变，从而表现在心电图上。研究显示，AI或可从正常节律的心电图中识别房颤。2019年ATTIA等在《柳叶刀》杂志上报道了他们研发的一种AI模型，其可从患者窦性心律心电图中发现房颤迹象。该研究纳入18.1万例患者的65万份心电图（标准12导联，持续10 s），按照是否患有房颤分为两组，再通过构建NN模型来识别窦性心律心电图的细微变化；心电图数据被分为三组，即训练组（70%）、内部验证组（10%）和测试组（20%）。该研究最终发现，AI模型预测房颤的准确率高达83%。 上述研究提示，AI用于心电图分析可以准确识别房颤，即使记录心电图时房颤尚未发作，AI模型也能根据细微的心电图变化筛查出潜在的房颤患者。上述研究结果提示，随着AI技术的不断发展，在房颤发病早期就可以通过分析窦性心律心电图识别房颤高危患者。对于这些患者建议佩戴可穿戴设备，一旦发现异常就能及时就诊，更为快速、经济、无创且简便。 3 人工智能在房颤个体化治疗中的应用 3.1 左心房三维影像构建及其纤维化或瘢痕程度的自动识别 导管消融术是治疗房颤的有效手段。消融术前通过影像学检查评估左心房情况以及相关解剖非常必要，但是人工处理影像学数据将耗费大量时间，且可能造成一定误差，而AI技术可以很好地满足这一需求。国内大部分中心在术前会进行左心房CT检查以明确肺静脉解剖。CHEN等通过深度CNN构建，自动识别CT影像并重建左心房三维解剖结构模型（图2A），发现该模型识别CT影像中左心房结构的准确率达99.0%，敏感性99.3%，特异性98.7%。 近年来，心脏磁共振技术在房颤患者中的应用逐渐增多，通过数据定量分析、三维重建并结合延迟钆增强序列，可评估左心房纤维化程度，指导房颤消融策略的制定。BAI等使用一种CNN图像分割算法处理5 008例患者的心脏磁共振图像序列；与人工处理相比，CNN在不降低图像识别准确度的同时，还能显著缩短处理时间（图2B）。 此外，AI在左心房瘢痕区域识别上也有较大优势。VALINOTI等使用DL技术对左心房分割影像和左心房瘢痕区识别进行自动整合（图2C），并将处理结果导入三维指导系统，有助于减少手术时间和开展个体化消融。SHADE等的研究纳入32例阵发性房颤患者，在消融术前行心脏磁共振检查，构建左心房三维图像并识别纤维化区域，随后进行左心房各部位起搏以尝试诱发房颤；利用ML对磁共振检查和左心房起搏结果进行分析并构建预测模型，结果发现该模型预测消融术后房颤复发的敏感性82%，特异性89%。 上述研究表明，AI应用于房颤消融术前影像学检查具有独特优势。尽管上述技术具有较好的应用前景，但仍需在解剖结构不同的患者中进行验证，从而得出相关参数的标准区间。  3.2 左心房时间-空间激动模型的自动分析 房颤消融术中需对左心房进行电生理基质标测，而不同术者对结果的解释往往存在较大的主观性，导致消融术式出现差异。近年来，AI逐渐用于标测结果分析，通过ML自动分析左心房时间-空间激动模型以指导消融。ALHUSSEINI等通过训练监督学习CNN对35例持续性房颤患者进行数据分类，以识别可终止房颤的有效消融位点，最终发现该模型预测的准确率达95%。既往研究显示，存在肺静脉以外的触发灶是消融术后房颤复发的重要预测因子，对这些触发灶进行消融可以提高手术成功率。LIU等纳入358例接受导管消融术且术后1年未复发房颤的阵发性房颤患者，根据是否存在肺静脉外触发灶分为两组，并应用DL分析消融前肺静脉CT影像、预测肺静脉外触发灶的存在情况，发现该模型预测的准确率达（82.4±2.0）%，敏感性（64.3±5.4）%，特异性（88.4±1.9）%。 3.3 患者的个体化分类管理 近年来，欧洲心脏病学会、美国心脏协会等发布的房颤指南均强调个体化综合管理，包括症状管理、药物治疗（控制心室率、抗心律失常及抗凝药物）以及器械治疗（左心耳封堵及起搏治疗）等。在HUAWEI Heart Study中，95.1%经智能手环筛查及医疗机构确诊的房颤患者进入管理平台，该平台基于智能手环及手机应用软件对房颤患者进行综合管理，入选患者中80%的房颤高危人群接受了抗凝治疗。传统的监督学习通过房颤类型等特定的标准对患者进行分类，这样做尽管可以提升房颤管理效率，但无法全面反映患者之间的个体化差异。目前，无监督AI技术已开始应用于房颤管理，由于没有标准的分类方法，因此有可能从患者资料中挖掘出数据亮点，并实行个体化分类管理。INOHARA等纳入约10 000例患者，根据基线资料将其分为4类：① 危险因素及合并疾病较少的房颤患者；② 年轻和（或）共存行为障碍的房颤患者；③ 合并快慢综合征、需植入器械治疗的房颤患者；④ 合并冠状动脉疾病、急性心肌梗死和（或）动脉粥样硬化的房颤患者。该研究表明，相较于第一类患者，其余三类患者的主要心血管事件、神经系统事件以及主要出血事件的发生风险更高，须引起临床医生的关注。 3.4 督促规范化用药和监测服药安全性 AI技术不仅可以在患者的风险评估及分组管理中发挥作用，还有助于督促患者规范化用药。在过去的十年间，新型口服抗凝药物的应用越来越广泛，大有取代华法林的趋势，但部分患者（终末期肾脏病、瓣膜性房颤患者等）仍只能服用华法林进行抗凝。不同个体应用华法林的起始剂量不一，给华法林抗凝治疗带来挑战，而ML算法可基于人口学、临床以及药学数据，为不同个体给出适宜的华法林用量。此外，患者服用抗凝药物的依从性较差，相当一部分患者服用一段时间后自行停药。随着新型口服抗凝药应用于临床，服药依从性有一定提升，但幅度不大。LABOVITZ等使用智能手机与AI技术相结合的方式对患者服药进行干预，通过视频监督确认患者已服药，结果发现干预组患者服药依从性高达100%，而传统方式服药组仅50%。 房颤患者常使用抗心律失常药物，因此需要密切监测心率、QT间期等，并根据QT间期、是否联用致QT间期延长药物及肾功能情况等因素调整用药，以防出现致心律失常作用等不良反应。然而，仅通过QT间期无法准确掌握患者的血药浓度，ATTIA等的一项研究将DL和NN应用于体表心电图分析，发现其在预测抗心律失常药物多非利特的血药浓度上优于单纯分析QT间期，且DL模型对血药浓度的预测值与真实值之间具有很好的相关性（r=0.85）。LEVY等通过ML模型得出每位患者多非利特的服药剂量，准确率高达96.1%。 4 目前的挑战 庞大的数据使AI模型给出的临床决策更具说服力，但目前AI应用于临床的局限性也十分突出。第一，医学伦理问题。大量的数据包含了患者的临床资料，部分信息可能涉及隐私，因此，使用这些数据之前最好取得患者的知情同意。但由于样本量庞大，无疑会极大地增加工作量。第二，数据质量问题。海量数据是AI模型的基础，数据的准确采集至关重要。如果采集的数据存在不同程度的质量问题，那么直接用于AI模型得到的结果准确性自然偏低，导致模型无法推广到全人群。例如本文多次提及的心电图数据，心电图导联放置位置、心电图波形质量的衡量标准可能因检查人员的不同而出现差异，以致获得的心电图质量参差不齐。由此可见，数据采集过程中的标准化至关重要。第三，ML的“黑匣子”问题。输入数据后，模型输出预测结果，但是我们并不清楚机器的处理过程。加之目前AI算法一般是由信息技术人员研发，很少有临床医生参与，因此得出的结论可能缺乏临床实用价值。在医学领域，循证证据至关重要，仅凭ML得出的临床建议可能很难被临床采纳。第四，结果推广问题。目前AI的临床应用仍处于初级阶段，许多算法仅基于单一数据库进行研究，纳入人群的广度可能有一定的局限性。此外，对同一种疾病的预测可能存在多种算法，关于其是否适用于不同人群、算法之间能否整合，目前尚不可知。上述因素在很大程度上限制了AI模型结果在全人群中的推广。 5 总结和展望 在心电生理领域，AI的应用近年来越来越广泛，尤其在房颤诊疗方面。随着AI监测及诊断技术的不断进步，各式各样的可穿戴设备进入我们的生活，用于房颤节律和心率管理。此外，人们也开始探索AI在房颤消融术中的应用。对于术前影像学数据的处理，AI具有独特优势，可以帮助评估心房纤维化程度、自动标测腔内基质等。相信随着技术的不断进步和革新，未来AI将在房颤诊疗中占有一席之地。 |
|
|
