導(dǎo)讀

深度學(xué)習(xí)通過自動(dòng)從各類醫(yī)學(xué)影像、電子健康檔案數(shù)據(jù)中提取重要特征并分析，實(shí)現(xiàn)對(duì)心力衰竭的診斷、預(yù)后及再入院預(yù)測(cè)。

心力衰竭（HF）的主要潛在致病原因，包括冠狀動(dòng)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(guān)的臨床管理、外科手術(shù)和醫(yī)療設(shè)備都取得了進(jìn)展，但HF的治療仍然面臨重大挑戰(zhàn)。需要應(yīng)用新技術(shù)、新方法來優(yōu)化這種慢性病的管理，改善臨床決策和預(yù)后，并最終減少相關(guān)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(xì)介紹了深度學(xué)習(xí)（Deep Learning，DL）技術(shù)在HF診療中的應(yīng)用現(xiàn)狀，文章通過聚焦診斷、預(yù)后和再住院風(fēng)險(xiǎn)預(yù)測(cè)，探索DL在該領(lǐng)域應(yīng)用的成熟度。

01

DL可自動(dòng)提取特征用于HF診斷、預(yù)后和再入院預(yù)測(cè)

HF是一種以結(jié)構(gòu)性或功能性心臟功能障礙為特征，伴有左心室射血分?jǐn)?shù)降低或保留的慢性進(jìn)行性綜合征。呼吸困難、疲勞和運(yùn)動(dòng)耐受性差等癥狀極大影響患者生活質(zhì)量，也導(dǎo)致頻繁住院和預(yù)期壽命縮短。

HF被公認(rèn)為是一種異質(zhì)性多因素綜合征，因此改進(jìn)患者的評(píng)估和管理需要整合從不同來源獲得的數(shù)據(jù)，如實(shí)驗(yàn)室、超聲圖和形態(tài)學(xué)信息，并處理各種癥狀和合并癥（心血管和非心血管）的復(fù)雜相互作用。

隨著越來越多生物醫(yī)學(xué)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(jìn)步，存儲(chǔ)和管理大量數(shù)據(jù)成為可能，這些技術(shù)的出現(xiàn)也為開發(fā)新的疾病風(fēng)險(xiǎn)評(píng)估工具和預(yù)測(cè)模型排除了障礙。作為人工智能（AI）的分支之一——機(jī)器學(xué)習(xí)（Machine Learning，ML）的子領(lǐng)域（圖2），DL試圖反映人腦處理數(shù)據(jù)的方式（特別是其學(xué)習(xí)能力）。

傳統(tǒng)的ML方法需要通過人機(jī)交互來確定可用數(shù)據(jù)中的哪些特征對(duì)于分類／預(yù)測(cè)問題的解決至關(guān)重要；而DL的目的是自行學(xué)習(xí)如何從數(shù)據(jù)中提取知識(shí)。換句話說，DL能自動(dòng)從數(shù)據(jù)中提取對(duì)解決給定任務(wù)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(jìn)疾病治療提供新機(jī)會(huì)等方面顯示出潛力，其中就包括HF的診斷、預(yù)后和再入院預(yù)測(cè)。

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(dòng)圖（UCG）等醫(yī)學(xué)影像，包括電子健康檔案（EHR）來實(shí)現(xiàn)。

對(duì)ECG的分析這一主題可以找到該領(lǐng)域最豐富的文獻(xiàn)。Kwon等人提出了一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）的ML算法用于HF識(shí)別，受試者工作特征曲線下面積（AUC）達(dá)到0．89。在??nar等人的研究中，一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的更高級(jí)的算法被用于從ECG頻譜圖中自動(dòng)提取特征給出診斷，準(zhǔn)確度達(dá)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(hào)中自動(dòng)提取相關(guān)特征來對(duì)HF進(jìn)行早期診斷，準(zhǔn)確度可達(dá)0．99。

通過分析EHR進(jìn)行診斷也受到關(guān)注。Choi等人發(fā)表的關(guān)于使用循環(huán)網(wǎng)絡(luò)早期檢測(cè)HF發(fā)作（AUC為0．88）的里程碑式的論文，在此基礎(chǔ)上，幾篇遵循類似范例的論文也發(fā)表了。例如，使用長(zhǎng)短期記憶（LSTM）處理包含醫(yī)學(xué)信息的帶時(shí)間標(biāo)記的EHR，AUC為0．89；使用LSTM對(duì)大量特征（如人口統(tǒng)計(jì)學(xué)、程序性、醫(yī)學(xué)）進(jìn)行分類，AUC為0．82；Ma等人提出了一種更先進(jìn)的方法，使用CNN和注意力機(jī)制（attention mechanism）進(jìn)行診斷，準(zhǔn)確度為0．91。

基于預(yù)測(cè)HF發(fā)病的目標(biāo)，ML和DL在圖像處理領(lǐng)域的應(yīng)用也被提出。有幾項(xiàng)研究特別關(guān)注MRI成像：提出了一種用于自動(dòng)分割左心室的DL算法，作為評(píng)估HF患者心功能的一個(gè)先決條件，其中Dice相似系數(shù)達(dá)到0．97。采用基于K－近鄰法的ML方法對(duì)心肌圖進(jìn)行紋理分析，識(shí)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(shí)空模式，準(zhǔn)確度為0．89；Cikes等人則使用K－均值聚類算法（K－means clustering algorithm）評(píng)估UCG模式，以確定患者的病理組。Seah等人進(jìn)行了一項(xiàng)嘗試，即利用DL從胸部X光片中預(yù)測(cè)HF標(biāo)志物，盡管獲得了樂觀的結(jié)果（AUC ＝ 0．82），但仍需要更多研究來了解DL在處理胸片以進(jìn)行HF診斷方面的潛力。

03

DL預(yù)測(cè)HF預(yù)后為個(gè)性化照護(hù)提供依據(jù)

一些研究也已經(jīng)使用DL來預(yù)測(cè)HF患者的不同結(jié)局。具體而言，研究指標(biāo)包括死亡率、住院率、再入院率、風(fēng)險(xiǎn)預(yù)測(cè)、機(jī)械循環(huán)支持需求、心臟移植和治療效果。利用DL技術(shù)預(yù)測(cè)HF預(yù)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(jì)信息、治療和藥物、實(shí)驗(yàn)室結(jié)果、ECG和UCG。

Wang等人應(yīng)用ANN研究了10203例住院患者的EHR，并在三個(gè)觀察窗口（即住院、1個(gè)月和1年死亡率）早期檢測(cè)患者的心衰死亡。最終，ANN預(yù)測(cè)死亡率的AUC分別為0．904（住院）、0．891（1個(gè)月觀察）和0．887（1年觀察）。

Kwon等人通過整合臨床和實(shí)驗(yàn)室數(shù)據(jù)，在急性HF患者的多中心隊(duì)列中使用基于DL的模型來預(yù)測(cè)死亡率。對(duì)4759例患者的驗(yàn)證結(jié)果顯示，預(yù)測(cè)住院、12個(gè)月、36個(gè)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(píng)分和慢性心力衰竭的全球薈萃分析小組（MAGGIC）評(píng)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(yīng)用DL僅根據(jù)UCG數(shù)據(jù)來預(yù)測(cè)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(píng)分。

Medved等人比較了基于DL的國(guó)際心臟移植生存算法（IHTSA）與心臟移植后死亡率預(yù)測(cè)指數(shù)（IMPACT）對(duì)心臟移植后1年生存的預(yù)測(cè)。在27705例患者（5597例在測(cè)試隊(duì)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(duì)93260名HF患者進(jìn)行了分析，以確定可預(yù)防的結(jié)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(jié)果仍為DL技術(shù)在臨床實(shí)踐中的應(yīng)用帶來了希望。

此外，DL很有希望通過無監(jiān)督學(xué)習(xí)來識(shí)別具有射血分?jǐn)?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(hù)理。HFpEF的病理發(fā)展被歸因于心臟和心外功能障礙的復(fù)雜相互作用，導(dǎo)致該人群患者的顯著表型異質(zhì)性。這種多樣性強(qiáng)調(diào)，觀察到的功能障礙背后并沒有一個(gè)單一的病理過程，從而影響目標(biāo)管理計(jì)劃。

近年來，不同的研究通過整合多個(gè)患者數(shù)據(jù)對(duì)HFpEF患者進(jìn)行的聚類研究取得了進(jìn)展。Pandey等人通過分析1242個(gè)HFpEF病例預(yù)測(cè)高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)表型群體，并在5個(gè)外部隊(duì)列中得以驗(yàn)證。與2016年美國(guó)超聲心動(dòng)圖學(xué)會(huì)（ASE）指南為基礎(chǔ)的左心室分級(jí)相比，DL方法預(yù)測(cè)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(dāng)前的臨床模式相比，使用UCG和EHR數(shù)據(jù)對(duì)基于模型學(xué)習(xí)的患者進(jìn)行聚類，可能會(huì)為HFpEF患者提供更好的預(yù)后益處，改善HF患者的個(gè)性化護(hù)理途徑。

本文未完，接下來的內(nèi)容請(qǐng)看下一篇：《利用AI預(yù)測(cè)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(zé)任編輯：蘇夏】

——本公眾號(hào)所有圖文，未經(jīng)許可，嚴(yán)禁轉(zhuǎn)載！

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

       原文標(biāo)題 : 利用AI預(yù)測(cè)或可改善心衰再入院率（上）