人工智能_什么是人工智能_人工智能专业学什么

人工智能发展应用的趋势分析

2021-12-10点击量：277

随着专家们更多地了解大数据和智能算法的可能性，人工智能(AI)已经呈现出许多新的形态和应用趋势。因此，今天的人工智能市场由久经考验的智能技术与新的优化和先进的人工智能组成，这些技术正在慢慢改变我们的工作和日常生活方式。2021年有哪些对AI的未来最让人兴奋的应用趋势呢？人工智能应用的5大趋势1.智能和超级自动化的业务流程凭借其基于智能编程和算法遵循基本任务和例程的能力，人工智能正逐渐嵌入组织自动化其业务流程的方式中。AIOps和MLops是AI和自动化的常见用例，但AI可以在企业中实现自动化的广度和深度正在迅速增长。全球数字服务和咨询公司Infosys的高级副总裁BaliDR认为，人工智能正在朝着一定程度的超级自动化（hyper-automation）发展，部分原因是为了应对疫情爆发导致的人工数据和程序的意外变化。根据Gartner的定义，超级自动化是将机器人流程自动化（RPA）、智能业务管理（IBMPS）、人工智能及高级分析集合到一起。由AI和ML拓展的RPA成为超级自动化的核心赋能技术。将RPA和AI技术结合起来，为自动化提供了强大影响力和灵活性，使之能够在此前从未成功过的地方实现自动化：依赖于非结构化数据输入的无记录流程。"我们正处于人工智能的第二个拐点——从消费级人工智能走向企业级人工智能。"DR认为，"由于过度依赖手动程序，例如航空业的大规模重新安排、银行前所未有的贷款申请等，这些行业现在正在转向将机器人流程自动化与现代机器学习相结合的超级自动化，以确保他们可以更好地应对未来的剧烈变化。"尽管AI自动化仍主要限于面向任务的自动化，工具方面几乎不需要想象或猜测，但一些专家认为，我们正在向更多智能自动化的应用靠拢。知名分析和人工智能软件公司SAS的人工智能总监DavidTareen对智能自动化的未来有以下看法："智能自动化将是未来发展的一个重要领域，"Tareen说，"就像我们自动化的生产制造一样，我们将大量使用人工智能来实现知识工作的自动化。"复杂性来自于知识工作具有高度的可变性。例如，一个企业会以不同的方式接收关于他们的产品或服务的反馈，而且通常也使用不同的语言。人工智能需要实时接受、理解和修改流程，然后才能实现知识工作的自动化。2.强调负责任的人工智能开发由于大数据的深度和人工智能对它的依赖，不道德或准备不充分的数据总是有可能进入人工智能训练数据集或模型。随着越来越多的公司认识到创建以合规和合乎道德的方式开展AI业务的重要性，许多AI开发人员和服务提供商开始为其客户提供负责任的AI解决方案。人工智能和混合云公司H2O.ai的营销高级副总裁ReadMaloney，解释了到底什么是负责任的人工智能，以及企业为改善其人工智能道德而采取的一些不同举措。"人工智能创造了令人难以置信的新机会来改善世界各地人们的生活，"Maloney说，"我们将降低风险的责任作为我们工作的核心，因此在我们的AI解决方案中建立公平性、可解释性、安全性和隐私性是关键。"可解释的AI和可解释的ML：能够在模型开发后对其进行解释，并提供透明的模型架构，让人类用户既能理解数据又能信任结果。有道德的人工智能：在机器学习预测中提供社会学上的公平性（即一类人是否被不平等地加权，并消除人类的历史偏见）。安全的AI：调试和部署ML模型，将安全和隐私放在首位。以人为本的人工智能：人工智能从人类输入和协作中不断学习。由于人工输入并弥合了人与机器之间的差距，系统正在不断改进。合规性：确保人工智能系统符合相关监管要求或法规。公司正在探索多种方法来让他们的AI更负责任，大多数公司都从清理和评估数据集和现有AI模型开始。数据库解决方案公司InfluxData的物联网产品管理总监BrianGilmore认为，模型和数据集管理的最佳选择之一是分布式账本技术（DLT）。"随着人们对AI的道德和文化影响的关注逐渐增强，一些企业开始投资于辅助但重要的技术，这些技术利用共识和其他信任保障系统作为AI框架的一部分，"Gilmore说，"例如，分布式账本技术为模型和训练数据的完整性可审计证明提供了一个平台。"DLT的去中心化所有权、访问权限分配和共享责任可以为AI开发和应用带来全面的透明度。困境在于营利性公司是否愿意参与社区模式，以透明度换取消费者对人工智能等关键任务的信任。3.人工智能模型在解决全球问题方面的潜力到目前为止，人工智能最常用于优化业务流程并为消费者自动化一些家庭日常事务。然而，一些专家开始意识到人工智能模型在解决全球问题方面的潜力。H2O.ai的ReadMaloney与来自不同行业的人合作，集思广益，探讨如何将人工智能用于更大的利益。"我们与许多志同道合的客户、合作伙伴和组织合作，解决教育、保护、医疗保健等方面的问题，"Maloney说，"AIforgood不仅是我们工作的基础，包括当前在气候变化、野火和飓风预测方面的工作，而且我们看到越来越多的AI用于良好的工作，使整个AI行业的世界变得更美好。"目前，利他主意的人工智能的一些最令人兴奋的应用现在正在早期教育中实施。例如，人工智能驱动的医疗保健和教育公司DMAI的首席执行HelenThomas提供了一种人工智能驱动的产品，以确保学龄前儿童获得所需的教育，尽管可能会遇到大流行的挫折：除了包括成本和入学机会在内的学前教育预先存在的障碍之外，最近的研究结果表明，在COVID-19大流行期间出生的儿童的智商得分低于2020年1月之前出生的儿童，这意味着幼儿对上学的准备比以往任何时候都少前。"DMAIDBA动物岛学习冒险(AILA)正在通过人工智能改变这一点。利用认知AI以一致和重复的格式提供适当的课程，支持自然学习模式。"Thomas说。4.AIoT：人工智能和物联网协同工作物联网（IoT）设备在企业和个人用户中变得非常普遍，但许多科技公司仍在努力解决的是如何从这些设备不断流入的数据中收集可操作的见解。AIoT（人工智能物联网），或将人工智能与物联网产品相结合的想法，是一个开始解决这些未使用数据池的领域，赋予人工智能快速、智能地转换这些数据的能力。AIoT融合AI技术和IoT技术，通过物联网产生、收集来自不同维度的、海量的数据存储于云端、边缘端，再通过大数据分析，以及更高形式的人工智能，实现万物数据化和智联化。工业AI解决方案公司AspenTech的高级副总裁兼AIoT总经理BillScudder认为，AIoT是实现更智能、实时业务决策的最关键领域之一。Forrester指出，在企业内部收集的所有数据中，多达73%未被使用，这凸显了物联网的一个关键挑战。随着连接设备的数量不断增加（例如，在工业物联网环境中），从这些设备收集的数据量也在增加。"这导致了许多行业都出现了一种趋势：需要结合人工智能和物联网。原因如下：物联网允许连接设备从各种来源创建和传输数据，人工智能可以更进一步，将数据转化为可操作的见解，以推动更快、更智能的业务决策。这使得对AIoT的需求呈上升趋势。"Scudder说。5.决策智能的出现决策智能(DI)是最新的人工智能概念之一，通过使用AI模型来分析广泛的商业数据集，它使许多当前的业务优化更进了一步。这些分析用于预测从产品到客户再到供应链的各个方面的未来结果。商业AI解决方案提供商Peak公司的数据科学团队负责人SorchaGilroy解释说，尽管决策智能是一个相当新的概念，但由于其详细的商业智能（BI）产品，它已经受到大型企业的青睐。"决策智能是一种新的软件类别，可促进人工智能的商业应用，为用户提供预测洞察力和推荐行动。"Gilroy说，它以结果为中心，这意味着解决方案必须满足业务需求才能被归类为DI。经过Gartner和IDC的认可，决策智能有可能成为世界上最大的软件类别，并已被企业在各种应用案例中使用，从个性化购物者体验到简化复杂的供应链等等。众所周知，耐克、百事可乐和ASOS等品牌已经在使用DI。本文由培训无忧网长沙牛耳教育专属课程顾问整理发布，希望能够对想参加长沙大数据分析培训的学生有所帮助。更多大数据分析培训课程资讯欢迎关注培训无忧网大数据人工智能培训频道或添加老师微信：1503333605010...

人工智能在心血管疾病特定领域的应用

2021-12-10点击量：270

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。人工智能包括一系列技术：机器学习（machinelearning，ML）、深度学习（deeplearning，DL）、自然语言处理（NLP）、认知计算、计算机视觉和机器人等。近年来，人工智能技术发展突飞猛进，自动驾驶、人脸识别、文本处理等已经出现在我们的生活领域。然而，与金融技术、信息技术和航空航天等其他行业相比，人工智能在医疗领域的应用速度相对缓慢。目前，人工智能在心脏病学中的应用主要包括两个方面，一是基于电子健康记录和医学图像等来源的ML/DL、NLP和认知计算等，另一个代表是介入机器人。人工智能在心血管疾病特定领域的当前和未来应用：（1）超声心动图超声心动图可以便捷、及时、经济地评估心脏结构和功能，在诊断和评价心血管疾病方面有重要价值。然而，超声心动图在图像质量和诊断效用方面仍存在相当大的变异性。超声心动图仍然高度依赖于操作者的经验，因此，通过人工智能，可以进行增强和标准化超声心动图评价。随着ML方法的成熟，包括卷积神经网络用于图像分类，临床超声心动图数据的累积量增加，给超声心动图人工智能平台的研发提供了充足的机会。这方面的创新可以通过自动测量、病理特征（瓣膜疾病、局部室壁运动异常、心肌病）的识别在治疗中快速应用，可以改进和标准化目前流程。超声心动图人工智能研究的优势和前景在于识别可能提示亚临床疾病或预后的细微或未被识别的影像学特征。尽管人工智能模型的性能一直在持续改善，但要承认的是，人工智能必须克服一些重要的挑战，才能安全地应用于临床实践。与任何模型一样，研发数据的质量和临床特征是必须的参考因素。超声心动图相关的数据数量大且复杂，一个强大的超声心动图人工智能平台将需要对大量研究进行培训和验证，这些研究包括广泛的临床特征、病理特征、超声机器供应商和图像质量等。目前关于超声心动图人工智能的研究通常存在样本规模小，受机构、地理因素、超声心动图机器品牌限制等，这就可能存在过度融合和限制平台通用性的风险。此外，目前超声心动图研究很大程度上依赖于人的解释，人在解释和测量方面存在内在的差异性。超声心动图人工智能代表了一个激动人心的机会，它将彻底改变临床实践。经过验证的超声心动人工智能模型将有能力提高质量，进行即时医疗决策，并促进公平获得诊断评价。预计超声心动图人工智能将影响患者诊治，期待相关改善临床结果和成本效益的临床研究。（2）心脏核医学与心脏病学的其他学科不同，人工智能技术已经被纳入心脏核医学的一些常规操作。人工智能算法已被应用于图像处理，允许进行完全自动的单光子发射计算机断层扫描（SPECT）、心肌灌注成像（MPI）运动校正、重建、量化和高水平分析。商业化和美国食品药物管理局批准的图像软件已经纳入正常心肌灌注分布的数据库，为专家读者提供计算机辅助诊断工具，用于识别低灌注心肌。这些类型的自动化，机器学习的数字图像数据，以及人工智能算法的SPECTMPI数据，单独使用或者结合临床特点，进一步提高了冠心病诊断的预后判断价值，为是否血运重建提供合理的临床决策依据。1）提高诊断性能：在一项单中心研究中，ML算法包含成像变量（通过定量软件进行的静息和压力SPECT的灌注缺失、缺血变化和射血分数变化）在总体患者诊断准确性方面优于单个定量成像参数（86%vs81%；P＜0.01）。ML算法检测阻塞性CAD的曲线下总面积（AUC）（0.92±0.01）也显著高于两个人工读片者（0.87±0.01和0.88±0.01；P＜0.05）。使用不同的数据集，同一组人创建了集成临床和成像变量（由自动化软件生成的总灌注不足[TPD]）的人工智能算法。研究证明ML（87.3%±2.1%）的准确性高于一个或者两个专家读片者（82.1%±2.2%）或自动TPD（82.8%±2.2%）。在检测检测阻塞性CAD方面有更高的敏感性。一项1638名参与的多中心研究显示：无已知CAD的患者使用SPECT扫描仪也发现与传统相比，深度学习（DL）利用原始和定量的MPI极地图的AUC值均更高。基于这些研究，人工智能算法在预测梗阻性CAD方面比目前的临床方法提高了约2.5%。其他研究发现一致，与专家医师视觉分析相比，训练有素的神经网络在识别特定冠状动脉狭窄病变引起的低灌注分布方面具有类似的良好性能。2）治疗和预后预测：在首次MPI扫描后90天内进行相关侵入性血管造影的713例SPECTMPI研究中，人工智能方法也被用于预测疑似CAD患者的早期血运重建。通过ML算法对几个自动衍生的影像学变量和临床参数进行整合，包括性别、高血压和糖尿病史、基线心电图ST段压低、运动心电图和临床变化（总共33个变量），以预测血运重建事件。ML预测血流量重建的AUC（0.81±0.02）与单个医生的AUC（0.81±0.02）相近，优于另一个医生的AUC（0.72+0.02；P＜0.05）。因此，在本研究中，ML在预测MPI后早期血运重建方面与有经验的医生相当或更好。在预后方面，Betancur等人研究了2619例SPECTMPI患者，并将28个临床、17个压力测试和25个成像变量（包括TPD）整合到人工智能算法中来预测主要心脏事件。在超过（3.2+0.6）年的随访中，他们比较了AUC对以下结果的预测：ML与所有可用数据（MLcombined）、ML与仅影像学数据（ML-imaging）、5分制诊断（内科诊断）、自动化定量成像分析（负荷TPD和缺血性TPD）。他们发现，ML联合组的MACE预测显著高于ML成像组（AUC,0.81vs0.78；P＜0.01）。ML组合模型的预测精度也高于内科诊断、自动压力TPD和自动缺血TPD（AUC，分别为0.81vs0.65、0.73和0.71；P＜0.01）。与医生的诊断相比，联合治疗的风险重分类为26%（P＜0.01）。基于他们的研究结果，建议人工智能可以整合临床和影像数据，对接受SPECTMPI的患者进行个性化MACE风险计算。3）人工智能驱动的结构化报告CDS。人工智能驱动的算法也被纳入了第一个也是唯一一个获得美国食品和药物管理局批准的核成像软件，使用CDS工具和自然语言自动生成报告。该系统集成了超过230条规则、可逆性、功能和患者人口学特征，包括俯卧位与仰卧位、衰减校正与未衰减校正的图像结果以及质量控制数据等额外信息。一项对1000名患者的研究验证了这种人工智能驱动的报告系统检测CAD，结果显示人工智能驱动的结构化报告与9名专家对CAD缺血印象之间的一致性没有显著差异。定量工具已经在核心脏病学的实践中常规使用，但结合多种特征和临床数据的更高水平的工具还不普遍。最近的研究表明，在临床实践中有很高的应用潜力。除了精炼和构建研究以提高诊断和预后，即将到来的人工智能在核心脏病学的重点应该包括开发人工智能驱动算法，以帮助临床决策的适宜性测试、选择测试、调度、工作流优先级、协议、报告和患者管理。这些发展不会取代医生和其他卫生保健专业人员的角色，但将为他们提供高度精确的工具，以更一致的方式检测疾病，风险分层，并优化针对患者的管理。（3）电生理学在电生理学中集成AI的几个重要机会包括数据管理（如何允许管理大量患者数据）、数据解释（如何复杂数据专家解释的大众化），以及多种模式获取的数据的实时集成。此外，使用人工智能增强、经济效益获得的电生理学数据（如ECG）不断的发展、的发现表明，筛查通常与心电图无关的疾病的能力可能为改善人口健康提供可扩展的机会。目前电生理学的主要争论之一是如何将动态获得的心电图纳入临床实践。一些工具，包括可植入记录仪和面向消费者的智能手机或支持智能手表的心电图设备，在许多情况下，在被确定为已知的心血管疾病患者之前，允许对人群进行更具成本效益的筛查。例如，个人可以通过互联网购买自己的心电图设备，记录自己的心电图，然后需要对这些数据进行准确的解释。尽管能够准确和自动解释这些心电图的系统已经得到了改进，但仍然存在假阳性或假阴性的风险。阅读心电图的专业知识被下放到基层医疗机构，使得ECG的获得变得更加方便。初步数据表明，人工智能技术可能进一步改善这些心电图的解读，并为那些需要看医生（包括心脏病专家或电生理学家）的人提供合适的分流。然而，目前还无法在人口水平上评价计算的需要和效力。电生理学的另一个当前问题是如何更好地促进复杂的电生理学数据的解释。例如，Q-T间期的测量对于识别那些有猝死风险或抗心律失常药物毒性风险的人很重要，但已经发现其变异性大，即使在心脏病学专家和一些电生理专家的评价一致性中也存在。初步数据表明，DL人工智能技术可能有助于仅从心电图图像识别特定Q-T间期带来的风险。此外，利用专家级Q-T解释来训练神经网络可能有潜力提高非电生理学家和非心脏病学家的解释准确性。这些原则适用于其他电生理数据，如心律失常心腔图的解释。当前电生理学的另一个主要机遇是如何整合通常多种不同的，互补但单独获得的数据，以促进对特定患者治疗的正确解释和优化。在心律失常患者接受侵入性电生理检查和消融术时，术前影像的组合（如磁共振成像评估瘢痕分布、心电图评估心律失常的起源）和术中成像（如心脏内的超声心动图、透视）可用来优化治疗。然而，由于这些数据都是在通过不同技术不同时间点获得的。最近的数据表明，人工智能技术可以促进数据集成，这反过来可以帮助医生更有效率，或者更有效地识别和定位与患者病情相关的部位。最后，将人工智能技术应用于电生理数据的一个主要机会不仅是大众化、规模化和促进数据的准确解释和合成的能力，而且是通过非人类可解释的见解来改善人口健康的能力。这一原则的关键在于心电图可能包含一些人类无法轻易理解的微妙之处。举个例子，有研究显示，仅使用心电图来识别低EF的可能，并且有高精确度，又有几个其他条件可能同样从心电图识别，从而提高风险分层人口水平可伸缩的、低成本的方式。因此，从心电图中识别诊断不足、有可能治疗的疾病的能力具有成本效益的改善人口健康问题。（4）冠心病检测与预后急性冠脉综合征（ACS）是冠心病最危急的类型，通常根据心电图和生物标志物分为ST段抬高心肌梗死（STEMI）、非ST段抬高心肌梗死（NSTEMI）和不稳定型心绞痛（UAP）。快速心电图评估进行诊断对STEMI的及时治疗至关重要。通过单导智能手机平台，快速诊断现已被证明是可行的。这项技术可以广泛传播，并与ML相结合，对STEMI患者进行快速分诊。加速转运到经皮冠状动脉介入治疗机构可以更及时地改善治疗结果。医院外心脏骤停的研究也在进行中，其中大部分是由ACS引起的。机器学习算法已被用于分析通过智能家庭扬声器和电话的家庭录音，以识别窒息样呼吸，这是心脏骤停的典型迹象。对这类记录的准确检测可使人们发现心脏骤停，并对家中发生的大量未被目击的心脏骤停患者启动紧急措施。在STEMI以外的ACS（即NSTEMI和UAP）中，管理可能不那么明确。在这个方面早期诊治尝试用ML进行12导联心电图解释是有意义的。UAP/NSTEMI的治疗主要基于风险分层，据研究ML改善了先前验证过的模型，如TIMI或GRACE风险评分。同样，对死亡率和/或治疗并发症的长期预测可以提高。对高风险和低风险患者的识别的改进将有助于提高资源的利用率和更个体化的治疗。目前研究正在努力综合多种非心脏数据，以进一步完善ACS的诊断、治疗和预后。病情稳定的CAD患者也可能通过人工智能得到改善，例如，识别可能受益于血运重建的患者，或平衡抗栓益处和出血风险，选择最合适的抗血小板策略。上述的工作代表了人工智能在冠心病领域从预防到治疗广泛应用的可能性。很明显，在目前的许多情况下，通过随机对照试验进行临床验证仍需要继续进行。然而，令人鼓舞的是，即使是在ML对CAD影响的初期阶段，它也有望提供更好的预后和挖掘新的危险因素，这将进一步有助于CAD患者的治疗。（5）冠状动脉造影和介入介入心脏病学传统上一直处于心血管创新的前沿。在过去的十年里，侵入性血管内成像、生理学、血流动力学、机器人技术和杂交心血管外科手术等得到了快速发展。诊断预测、治疗策略设计、设备选择、程序优化和并发症的避免都是人工智能应用有望取得快速进展的领域。早期应用人工智能评估冠状动脉的研究包括最近的CEREBRIA-1研究，这些研究验证了在冠状动脉病变重要生理功能评价和推荐血管重建中，ML和人工智能不逊于常规诊治。目前各地都有很好的心血管急救系统，但在关键的早期诊断和管理决策方面存在相当大的差异。未来，智能算法可能会在第一次呼叫时立即审查患者的病史和危险因素，并通过一系列预测性问题在运输服务到达医院之前建立初步诊断。随着可以扫描皮肤行静脉穿刺设备的发展，无需人工干预的高分辨率计算机断层扫描仪可提供冠状动脉的解剖和生理评估。快捷的心电图可能提供明确的诊断信息，并在5~10分钟内抵达急诊室。上述步骤甚至可能不需要任何人工干预或评估，并可能导致不会首选侵入性冠状动脉造影，可以在必要时进行。基于人工智能的诊断方法已被用于分析冠状动脉病变功能学评价，迄今为止结果不一。Cho等人的一项研究表明，总的来说，血管造影功能学分析的准确性可能接近82%的FFR。在过去的十年里，用于冠状动脉介入治疗的磁导航系统和机器人技术已经出现，但一直受到高昂成本和低效界面的阻碍。人工智能引导的血管通路和介入设备导航到病变部位将是可行的，多模式技术将实时热、超声和流量数据与机器人和以前获得的诊断计算机图像融合在一起。同样，通过人工智能引导设备进行冠状动脉血运重建或药物治疗也是可行的，心脏介入团队可以在不暴露于电离辐射的情况下监测和控制设备。能够自动导航到动脉粥样硬化区域并提供靶向治疗的纳米颗粒已经在开发中，内部和外部的磁性引导和配体连接聚集，可以进一步产生有益的效果，同时最大限度地减少对其他器官的不利影响瓣膜疾病、先天性和后天异常以及生命维持技术也将是人工智能应用的主要领域。将来在心导管实验室，在时间和空间上实时评估和整合患者解剖结构信息，结合自体活细胞和聚合物刚性金属复合材料，进行3D打印，可能是介入心脏病学的一个重要方向。（6）心脏衰竭目前心力衰竭（HF）诊治模式不成熟，诊断延迟较常见，心力衰竭的许多危险因素并没有被认识，治疗和控制相对较低。大多数射血分数减低和射血分数保留的心衰患者没有接受已被证明的降低死亡率和发病率的治疗，或者在进行低剂量的治疗。此外，HF表型的病理生理学特征仍处于研究阶段。人工智能支持的策略有潜力解决这些问题。1）心脏衰竭预防：临床试验证实，心衰预防可显著降低心衰发病率。心衰预防需要一种方法来识别心衰风险患者和心衰预防干预过程。心衰风险识别部分可以帮助集中干预这部分患者，从而提高可行性，降低总体成本。干预部分的效果将决定整体人群心衰防治的效益。目前心衰危险评分应用于临床少见。Ng等人开发了监督ML算法，利用EHR数据预测突发HF。ML算法预测未来HF的AUC约为0.79，在检测即将到来（6个月）HF时更为准确。虽然AI算法可能没有比传统模型更好的预测价值，ML算法嵌入到电子健康档案可以为医生提供即时风险信息（病人），可以调整随着时间的推移风险的变化，如果危险因素变化，并整合心电图或图像分析、可穿戴设备和其他数据，风险预测算法可能会更精确的预测个体独有的风险因素。未来人工智能心衰风险评估工具的开发，预先与有计划的干预相结合，以降低心衰发病率。这些干预措施可以包括一种新的治疗模式，一些特定的治疗药物或智能决策，以鼓励临床医生和患者治疗心衰危险因素。临床试验应该评估风险预测和干预策略，以验证采用有效的策略来降低心衰发病率。2）心衰住院预防：心衰住院预防措施也需要一种方法来识别有风险的患者和住院防治监测。传统的统计模型在再入院预测方面的性能较差，而且基于人工智能的模型也受到了限制。有3项研究使用监督ML（包括大队列的DL算法）来预测心衰住院后的再入院，报告的AUC从0.63~0.71。因此，需要更多的工作来提高不同算法的预测能力，识别心衰再入院的风险。虽然ML可能提升风险预测，但更令人烦恼的问题是，一旦认识到风险增加，如何防止再入院。医疗机构为减少再入院而采取的多种策略所产生的影响微乎其微。使用外部远程监测系统或植入设备（除颤器或起搏器）诊断的远程监测在防止入院或再入院方面是无效的，只有基于肺动脉压的远程监测策略被证明对减少心衰住院有效。最令人震惊的是，减少再入院的策略与心衰住院后短期和长期死亡率的增加相关。因此，必须在临床试验中仔细研究人工智能的住院风险预测和新的干预策略，以确保有效性和安全性。3）心衰管理：人工智能分析可以在心力衰竭患者实时提供可操作的信息情况下，通过识别那些确诊患者有无按照规定GDMT或接收的最佳剂量，有无依从治疗计划，或最有可能受益于某些特定的心衰疗法。这类人工智能生成的信息可以以更新颖、便捷、智能的方式提供给患者和医生，这些信息可能会影响患者的治疗（为患者提供决策辅助、特定问题的医生或患者教育、支持联系，或其他区域或卫生保健系统特定的资源）。这种方法更类似于高度成功商业的人工智能分析所提供的数据，而人工智能在医疗保健领域的应用尚未达到这种成功水平。（7）人工智能在阐明心衰病理生理学、精准医学和新疗法中的作用目前，HF的广泛特征是EF和推测的病因。非监督ML分析（如聚类分析）可以识别独特的HF表型，然后使用传统统计方法或监督学习技术来确定所识别的表型是否具有不同的预后或对治疗的耐受性或反应。此类分析已在HFpEF和HFREF的HF患者中进行，使用临床数据作为输入变量，确定具有不同预后的HFpEF和HFrEF表型。将来需要临床特征以外的数据，比如基因组、蛋白质组数据、微生物组、新的临床数据，心电图或图像分析，来进一步诊断心衰患者的表型，可以通过新的治疗靶点或诊断/预后生物标志物识别独特的病理生理变化，并确定其精确性或新的心衰治疗方法。（8）预防心脏病学冠心病的研究已经产生了一些概念，这些概念被认为是现代医学的基础，包括识别和添加相关条件的风险因素到风险分层的整体模型。人工智能的定位是通过分析大量的变量，识别非线性关联，并帮助识别新的危险因素。目前，在冠心病和动脉粥样硬化性心血管疾病的初级风险分层中最常用的工具是美国心脏病学会/美国心脏协会联合队列方程风险计算器，这是一种有价值但不精确的工具。使用相同的9个传统风险因素，ML算法能够显著地改善风险分层，包括发现13%的高风险个体和推荐25%的低风险个体的他汀类药物治疗，部分原因是非线性关系的识别。相比之下，一项单独的研究使用了每个人多达735个变量来改进队列风险计算器，并强调了包括非传统风险因素的重要性。有趣的是，与在算法中包含大量数据后的预期相反，与前面提到的仅使用标准CAD风险因素的算法相比，使用数百个变量的预测性能并没有更好。机器学习是一种创新和强大的工具，可以将非传统和未知的危险因素纳入心血管风险分层。例如，利用生物信号如视网膜眼底图像作为生物样本库的一部分，并在没有任何其他临床特征的情况下用于预测心血管风险因素。同样，通过使用ML算法通过智能手机录音进行的语音分析揭示了与CAD相关的特征。这些例子只是许多可能有用的新数字生物标记信息中的一小部分。预测动脉粥样硬化性心血管事件的方法可能需要改变一些公认的范式，例如时间范围评估结果低于10年的随访，使用串行数据获得多个时间点，并考虑更多的无监督学习方法而不是选择变量生物合理性。（9）临床决策支持在一个医学知识不断增长和病人管理的复杂性日益增加的时代，对诊断和治疗的选择，需要标准化的方案。事实上，应授权将CDS系统与电子病历相结合，向医护人员提供最新的医学知识和循证指导。直到最近，大多数部署在医疗保健中的CDS系统都仅限于访问电子病历中的结构化数据，如实验室结果。然而，非结构化临床叙述中的信息可能会被NLP提取。以前，NLP工具仅限于研究，并没有用于生成自动输入到CDS系统。重要的是，利用NLP来搜索数字电子病历的电子工具也能够为CDS程序提供自动输入，从而提供针对患者的个性化信息，以便在治疗时以患者为中心做出决定。为了实现这种情况，进行自然语言处理，以提供高性能、可扩展和实时的解决方案。梅奥诊所最近报道了这种方法对特定疾病的可行性，方法是将经过验证的基于规则的NLP算法安装到梅奥诊所EHR的大数据基础设施中，从而为外周动脉疾病患者的CDS系统生成个性化输入。还能够显示相关的实验室检测结果和外周动脉疾病患者的自动预后评估，使用结构化数据元素和自动风险计算器，这些数据来自基于社区的研究生成的模型。原则上，类似的方法将可能广泛地用于其他心血管疾病，建设标准化和高质量文档的医疗保健系统，最终实现将正确的信息在正确的时间为正确的病人提供正确决策（10）人工智能在优化心血管研究中的应用人工智能（包括ML和DL）可应用于全基因组测序、移动设备生物识别和EHR数据处理。机器学习正在改变心血管疾病的诊断、风险预测、预防和治疗方法。这些新方法提供了可观的前景，包括快速整合大量数据，个体化的诊断和治疗，以及潜在关系的评价。然而，它们确实产生了新的方法论上的挑战。表型必须标准化，优化其可靠性，数据集成等。数据的可追溯性、有效性和再现性必须体现。在研究设计和结果解释时，必须考虑新的偏倚，包括地理、人口和社会经济地位造成的数字鸿沟和互联网接入差异等。最后，必须考虑到数据缺失和治疗方式的变化。的确，与原始数据收集不同，医疗记录数据是在给定的临床事件中收集的，直接与患者的健康状况和求医行为以及临床医生的治疗有关。因为决定观察时间的是病人和医生，而不是研究人员，所以从数据中得出的结论会有所不同。这些重要问题强调了团队科学的重要性，将临床医生、数据科学家和统计学家聚集在一起，以确立这些工具的有效性和可靠性。（11）表型和风险预测目前的方法和评分系统对于有效的临床应用来说往往过于繁琐，并且在不同人群中不能很好地被复制，因此在临床上必须提高病例识别和结果预测的准确性和有效性。除了电子病历的丰富数据之外，其他类型的结构化或非结构化数据也适用于ML技术。这些因素包括但不限于心电图、超声心动图和其他影像学研究的数据。使用ML进行表型分析的一个例子是HFpEF患者的特征描述和这些患者的生存预测。Shah等人使用无监督ML，在HFpEF患者中确定了3个不同的组，通过监督学习，他们检查了不同组在死亡和住院方面的差异。这些有意义的结果需要在其他队列中验证，但从另一方面说明了人工智能可以应用到EHR的丰富环境中。另一个例子是Attia等人将人工智能应用于心电图数据，以识别无症状左心室44959例患者出现功能障碍。训练一个卷积神经网络来识别心室功能障碍患者，定义EF为35%或更少，仅使用心电图数据。在52870名患者的独立测试中，网络模型的AUC值、敏感性、特异性和准确性分别为0.93、86.3%、85.7%和85.7%。这些研究结果说明了将人工智能应用于心电图数据，可以提供一种识别心室功能障碍的筛查工具。（12）临床试验招募试验参与者被普遍认为是低效、耗时耗力的，这会延缓新治疗的进展和最终的病人治疗的延误。将人工智能应用于电子病例，将患者特征与试验纳入和排除标准匹配，可以提高预筛的效率。（13）传感器可穿戴传感器在健康预防和疾病管理中的应用是一个有意义的课题，而人工智能在这个新兴领域的贡献是独一无二的。一个例子是使用智能手表数据来检测房颤数据。一个深度神经网络，使用依赖于R-R间隔近似表示的启发式预训练，与参考标准心电图相比，表现出有意义的性能。在9750名参与者中进行的这项研究建立了概念证明，与标准心电图相比，智能手表可以检测心房纤颤，但灵敏度和特异性有所降低。本文由培训无忧网长沙牛耳教育专属课程顾问整理发布，希望能够对想参加长沙大数据分析培训的学生有所帮助。更多大数据分析培训课程资讯欢迎关注培训无忧网大数据人工智能培训频道或添加老师微信：1503333605010...