人工智能临床决策支持系统在脑血管病中的应用

丁玲玲，李子孝，王拥军

卒中是中国居民死亡和残疾的第一位病因。中国的卒中发病率呈上升趋势，在全球范围内，中国年龄标准化后的卒中发病率最高（354/10万人年），卒中现患人数高居世界首位，中国卒中防治工作正面临严峻挑战[1-2]。积极推进卒中的防治，包括危险因素干预、急性期救治以及规范化卒中二级预防，可以提升卒中的医疗质量，改善患者结局[3-4]。

随着人工智能（artificial intelligence，AI）技术的迅猛发展以及医疗大数据的不断积累，AI被广泛应用于医疗领域。临床决策支持系统（clinical decision support system，CDSS）是AI在医疗领域的一项重要实践应用。CDSS通过计算机系统来辅助医师做出临床决策，将患者临床信息与知识库相匹配，协助疾病诊断，依据循证证据给出优化的诊疗方案，并可以通过提示干预诊疗流程，从而减少医疗差错、提高医疗质量。探索基于AI的脑血管病临床诊疗辅助决策系统，融合临床信息及影像等大数据，辅助临床决策、实现精准医疗，对提升脑血管病诊疗水平具有重要意义[5-6]。

CDSS主要分为两大类，包括基于知识库的CDSS和非基于知识库的CDSS。基于知识库的CDSS由知识库、推理机和人机交流接口三大核心要素组成。非基于知识库的CDSS通过机器学习的方法，包括人工神经网络（artificial neural network，ANN）、遗传算法（genetic algorithms，GA）等，从已有的经验中自动学习规则[6-9]。

20世纪70年代美国斯坦福大学发布了第一个功能较全面的医学专家系统MYCIN，在斯坦福医学院进行了一项类似图灵测试的实验，挑选10例不同类型脑膜炎患者，由MYCIN和8名医师（包括1名住院医师、1名研究员以及5名传染病学专家）根据病史分别给出诊断及治疗方案，并由8名专家对诊断的准确性和治疗的有效性进行评分，最终结果MYCIN获胜[10]。此后，CDSS经历了数个发展阶段，其最终目的是服务于临床诊疗。一项系统综述对148项在真实临床环境中进行的CDSS随机对照试验进行荟萃分析，发现CDSS可以改善医疗过程保健措施（OR 1.42，95%CI 1.27～1.58）[11]。

近年来，CDSS在脑血管病领域得到了广泛应用。本文综述了CDSS在脑血管病中应用的研究，包括早期高危人群识别、急性期溶栓决策支持、自动化病因分型、二级预防决策等。对266例接受TIA评估的患者进行3年随访，结局指标为指南的依从性和患者的安全性，研究结果发现实施EDS后，专科医师评估的延迟从10 d下降到3 d（HR 1.45；95%CI 1.13～1.86；P=0.001），24 h内获得最佳治疗的患者从43%上升到57%（RR 1.33；95%CI 1.02～1.71；P=0.04），研究得出结论，在初级医疗保健环境中，对TIA/卒中实施EDS可以减少专科医师诊治延迟，并且是安全的[13-14]。

深度学习算法可以帮助准确识别需要紧急关注的头部CT异常，为实现急诊自动分诊提供了可能。美国西奈山伊坎医学院Titano等[15]开发了一个人工智能平台，识别急性神经系统疾病（脑血管病、脑积水等）仅需用时1.2 s，与放射科医师在同等条件下花费的时间相比可缩短150倍。Abedi等[16]研究发现应用ANN模型鉴别急性缺血性卒中与类卒中同样具有良好的敏感性（80.0%，95%CI 71.8～86.3）和特异性（86.2%，95%CI 78.7～91.4）。

总之，目前AI在卒中早期高危人群识别领域的应用技术不断得到发展，为卒中急性期的救治提供了更多的机会，对改善卒中患者结局具有重要意义。

1 早期高危人群识别

TIA为卒中相关风险因素，早期干预可能减少卒中负担。对此，新西兰Ranta等[12]开发了一个电子决策支持（electronic decision support，EDS）工具，旨在帮助全科医师在不依赖专科医师的情况下快速识别TIA/卒中患者。Ranta团队应用该工具开展了前瞻性研究，

2 急性期再灌注治疗决策支持

Viz.AI公司（美国）的Viz.ai's Contact产品是美国食品药品监督管理局（Food and Drug Administration，FDA）批准的第一个针对脑血管病的人工智能诊断决策支持工具，通过人工智能算法分析CTA发现可疑的大血管闭塞（large vessel occlusion，LVO），从而通知神经病学专家和介入医师，敏感性为92%，特异性为90%，平均通知时间为6 min，从而为再灌注治疗提供快速辅助决策[17]。斯坦福大学研发的RAPID软件通过表观弥散系数（apparent diffusion coefficient，ADC）阈值600×10-6mm2/s界定梗死核心，PWI Tmax＞6 s界定低灌注，在5～7 min内可自动评估急性缺血性卒中DWI/PWI不匹配，敏感性为100%，特异性为91%，已被广泛应用于血管内干预治疗的影像筛选，推动了缺血性卒中临床研究和医疗实践的发展[18]。

基于常规CT影像有助于缺血性卒中急性期医师就rt-PA的使用做出合理的决策。Shieh等[19]开发了自动ASPECTS评分系统，采用对侧比较的方法，检测早期缺血性改变，输出溶栓治疗的建议。研究者将103例患者分为建议溶栓组（ASPECTS评分＞7分）或不建议溶栓组（ASPECTS评分≤7分），两组的分析准确率高，其ROC曲线下面积（area under the curve，AUC）为90.2%，平均处理时间为170 s。Nagenthiraja等[20]开发了基于MRI的自动软件工具COMBAT Stroke，用于评估PWI/DWI不匹配的体积和比值，并用实际临床决策验证COMBAT Stroke所做的决策，在欧洲两个中心卒中数据库的228例患者，186例接受溶栓治疗，COMBAT Stroke将142例患者列为潜在溶栓治疗，敏感性为60%，特异性为29%。Flynn等[21]开发的COMPASS决策辅助工具可以辅助临床医师对急性缺血性卒中患者溶栓治疗做出针对性的临床决策，以数字和图形的方式表示风险预测结果（出血、死亡和残疾），有助于更好地向患者及家属传达溶栓获益及风险的个体化信息。致性。2012年Nam等[27]开发了名为iTOAST的手持卒中分类临床决策系统，只需回答6个问题即可显示卒中分型结果，与卒中专家分型结果相比，iTOAST的kappa系数为0.79，比传统TOAST分型更简单、准确。但是，上述系统对评估者的知识水平依赖度均较高。

Garg等[28]使用机器学习和自然语言处理（natural language processing，NLP）对急性缺血性卒中患者进行TOAST分型，与人工分类相比，基于机器分类中使用放射学报告和病程记录综合数据获得分型的kappa值为0.57，并且不同病因分型的kappa值存在差异，其中心源性栓塞最高（kappa=0.64），隐源性卒中最低（kappa=0.47）；在测试集中，基于机器分类与评分者间存在良好一致性（kappa=0.72）。上述研究结果表明将人工智能技术应用于缺血性卒中病因分型具有可行性。通过NLP技术自动提取病历信息，结合机器学习自动提取神经影像特征，可以获取更真实的患者信息，从而提高诊断的准确性[29]。目前尚未有研究基于人工智能综合分析神经影像及临床信息，从而建立高效、准确的缺血性卒中自动病因分型系统。

3 缺血性卒中病因自动分型

尽管卒中病因分类体系不断在完善，但不同评价者间存在差异，与个人经验及专业知识等有关。来自不同研究的结果发现TOAST分型信度检验kappa值为0.42～0.68[22-24]。缺血性卒中的病因分型对治疗决策、预后及开展临床研究均有重要影响。为进一步提高卒中病因分型的信度，Ay等[25-26]建立了卒中病因分类系统（causative classification system，CCS）在线系统，利用电脑软件自动分析，目的是保证不同卒中中心、不同研究者对卒中亚型分类的一

4 缺血性卒中二级预防

Weir等[30]开展了一项整群随机对照研究，在16家医院招募了1952例缺血性卒中/TIA患者，通过CDSS根据患者的病史和临床表现来评估各项事件风险，包括缺血性卒中、颅内出血、心肌梗死、其他缺血性和出血性并发症；评估治疗策略相关的事件风险，包括抗凝治疗和抗血小板治疗相关事件；并且以图表的形式总结缺血性事件和出血性事件风险。干预组（CDSS提供特定信息）与对照组（常规实践观察）相比，平均相对风险降低（relative risk reduction，RRR）率增加了2.7%（95%CI 0.3～5.7），最佳治疗处方的OR值为1.32（95%CI 0.83～1.80），55%（5/9）的临床医师认为CDSS影响了他们的处方。

STOP Stroke工具是采用集成模型进行开发的CDSS，旨在为退伍军人提供健康管理，通过在电子病历中自动提示临床医师卒中二级预防的临床实践指南，促进循证管理；同时创建基于web的用户界面用于卒中的自我管理，通过共享来实现以患者为中心的决策[31-32]。基于临床指南的临床决策支持系统可以在临床实践过程中结合患者临床信息，通过计算机自动依据指南循证医学证据为医务人员提供诊疗建议，未来应用CDSS进行卒中二级预防的规范化管理具有重要应用前景。

5 心房颤动抗凝治疗

对于心房颤动相关的缺血性卒中，抗凝治疗对缺血性卒中的二级预防至关重要，但现实世界中心房颤动抗凝指南依从性低。通过CDSS干预提醒医师心房颤动患者的卒中风险及进行抗凝治疗是提高指南依从性的一个有效途径。Karlsson等[33]纳入瑞典Östergötland的43个初级保健诊所444 347例患者进行了一项整群随机试验，探讨CDSS集成的电子健康记录是否可以提高心房颤动患者卒中预防的指南依从性，该CDSS可以根据CHA2DS2-VASc评分向医师发出警告，提醒血栓栓塞的风险，研究主要终点是1年时的指南依从性。该研究结果发现CDSS干预组指南依从性与对照组相比显著增加（73.0% vs 71.2%，P=0.013），同时CDSS组出血的发生率降低，每1000例心房颤动患者中有12例（95%CI 9～15）出血，对照组为16例（95%CI 12～20）。

Piazza等[34]开发了一项基于警报的计算机决策支持工具，用于提高卒中高危的心房颤动住院患者抗凝治疗的指南依从性。该研究将458例CHA2DS2-VASc评分≥1分的心房颤动住院患者随机分配至干预组（基于警报的CDSS）和对照组（无通知），研究结果发现干预组住院期间、出院时和90 d时接受抗凝治疗比例显著高于对照组（25.8% vs 9.5%、23.8% vs 12.9%、27.7% vs 17.1%，P＜0.0001、P=0.003、P=0.007）；该工具显著降低了90 d复合血管事件（包括死亡、心肌梗死、脑血管事件和全身性栓塞事件）的发生率（11.3% vs 21.9%，P=0.002；OR 0.45，95%CI 0.27～0.76）。

华法林是最常见的抗凝治疗药物之一，但是不良事件发生率高，个体用药差异大。华法林用药的困难性促使CaveSS等临床决策支持工具用于优化华法林抗凝的管理，帮助患者个体化剂量的选择。随着药物遗传学检测在华法林治疗中的应用，可通过结合患者的临床特征以及CYP2C9、VKORC1基因型进行建模，以估算所需的华法林剂量，并以图形的形式提供随时间变化的估计血药浓度。通过药物遗传学与药代动力学和药效动力学的基本原理相结合可以为个体化精准治疗提供强大的决策支持工具[35-36]。

CDSS应用于临床实践尚存在许多问题，包括：如何集成电子病历，实现信息的自动获取和共享；如何构建标准化的临床知识表达及知识库，提供基于证据的临床实践指南；如何与临床诊疗实践相结合，建立有效提醒机制，实现人机交互等。尽管存在诸多问题有待解决，但CDSS是医院信息化发展的必然趋势，对全面提升临床医师的诊疗能力、改善医疗质量具有重要意义。在不远的未来，CDSS将成为脑血管病管理的一个重要辅助工具。

【点睛】现代科学技术的发展推动了医学的进步，将基于人工智能技术的临床决策支持系统应用于脑血管病的诊疗，对临床诊疗模式的创新和医疗质量改进具有重大意义。