人工智能在心血管疾病特定领域的应用

    人工智能（artificial intelligence，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（machine learning，ML）、深度学习（deep learning，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 SPECT MPI 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% vs 81%；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 SPECT MPI 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 2 619 例 SPECT MPI 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（ML combined）、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, 0.81 vs 0.78；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 0.81 vs  0.65、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 SPECT MPI 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 1 000 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44 959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 52 870 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

      注：尊重原创文章,转载请注明出处和链接 https://www.pxwy.cn/news-id-7063.html 违者必究！部分文章来源于网络由培训无忧网编辑部人员整理发布,内容真实性请自行核实或联系我们，了解更多相关资讯请关注人工智能频道查看更多，了解相关专业课程信息您可在线咨询也可免费申请试课。关注官方微信了解更多：150 3333 6050