魏思萌 石亚君 陈韵岱
心血管疾病是全球范围内导致死亡的最常见原因, 其中, 急性冠脉综合征(acute coronary syndrome,ACS)和严重心律失常最值得关注,因其发生突然、难以预测,更亟须建立完备的监测、识别、诊疗和管理体系。 我国着力于胸痛中心建设,依托远程心电传输的协同区域救治体系也在逐步完善,但多项研究表明,我国ACS 救治普遍存在就诊时限延迟、介入技术未全面普及、经皮冠状动脉介入治疗(percutaneous coronary intervention,PCI)医院资源分布不均、缺乏区域协同急性心肌梗死(acute myocardial infarction,AMI)救治网络等问题,导致诊疗体系存在较大缺口[1]。 在远程心电监测心电云平台的基础上,引入人工智能技术,利用其强大的机器学习能力可构建准确率高、轻量级的神经网络,建立心电人工智能诊断系统,构建长时程多参数信号的个体化预后评估模型,联合建成健康状态监测预警智能平台,以架构完整的心脏主动健康智能管理体系。
心电图的临床应用已逾百年,它早已经成为心血管疾病诊断中最普遍采用的方法,也是临床工作中最基础的检查工具。 历史上第一个远程心电监护仪的雏形要追溯到1903 年,荷兰教授威廉·埃因托芬(William Einthoven)利用1 500 m 长的电缆线,记录下了第一份完整的人体心电图,进而发明了第一台弦线式心电图机,他也因此被称为“心电图之父”。 Einthoven 教授的这个举动开启了远程心电传输的大门。 远程心电传输的发展先后经历了电话传输、基于个人计算机的远程监测、基于互联网的远程监测传输系统,以及如今大力发展的无线远程心电监测系统和便携式心电监测系统[2]多个阶段。
自1950 年“图灵测试”提出“机器能否产生人类智能”的疑问以来,数十年间人工智能技术飞速发展,在各个领域产生了巨大影响。 人工智能技术与医学已深入融合,《全球工程前沿2020》报告更是将“基于人工智能的临床诊断决策支持系统”列为工程研究前沿之一[3]。 人工智能技术在心血管疾病防治领域应用广泛:借助机器视觉,可根据受检者的面部特征估测肱动脉血压、根据胸部X 线片判断体肺分流比和诊断胸部常见疾病、根据心电图自动分类12 个心律类别、利用超声心动图诊断先天性心脏病等[4];自然语言处理技术则可用于辅助心音听诊、跨专业文献关联解读;机器学习功能可应用于建立复杂结构和进行数据分析,构建相应的疾病诊疗模型,以开展风险分析和预后评估等[5]。
远程心电监测的关键技术环节包括心电采集终端、传输、云平台和大数据分析[6],而人工智能技术的赋能可使传输更便捷、精准。 智能可穿戴设备是在生物传感技术、无线通信技术与智能分析软件的支持下,可实现用户交互、数据监测的人体可穿戴设备。 随着信息和通信技术的快速发展以及电子技术特别是微处理器的进步,智能可穿戴设备辅助疾病诊疗和管理将成为可能。 智能可穿戴设备与人工智能相联合,可建立智能化远程心电监测终端和云端大数据平台[7]。 将智能可穿戴设备作为心电信号采集和传输的桥端,采集穿戴者心电信号并利用无线通信技术将其实时传输至心电诊断中心;远程心电监测云平台通过硬终端采集患者实时心电数据,利用4G 或5G 网络传输同步上传到监测系统,利用基于大数据训练的智能心电诊断系统进行高效准确的大数据比对,以实现不受时间、空间限制的实时信息采集与监测,及时识别异常信号并发出预警。 使用智能化远程心电监测终端和建立云端大数据平台,有利于降低心血管疾病的漏诊率,提高心律失常的检出率,同时为缩短呼救时间和缓解区域间医疗资源分布不均衡的矛盾创造了可能。
ACS 是指冠状动脉内不稳定性粥样硬化斑块破裂或糜烂,继发新鲜血栓形成所导致的心脏急性缺血综合征,涵盖了ST 段抬高型心肌梗死(STsegment elevation myocardial infarction, STEMI)、非ST 段抬高型心肌梗死(non-ST-segment elevation myocardial infarction, NSTEMI)和不稳定型心绞痛(unstable angina, UA),其中NSTEMI 与UA 合称为非ST 段抬高型急性冠脉综合征(non-ST-segment elevation-acute coronary syndrome,NSTE-ACS)。 一旦发生心肌梗死,4 h 以内是临床救治的最佳时机,而目前大多数学者倾向于将猝死时间限定在发病后1 h 内[8]。 研究表明,72%的患者在心搏骤停前会有明显的不适,其中70%的患者预警症状持续15 min 以上。 因此,有学者指出,心脏性猝死患者死亡前会有明显的异常心脏活动,通过心电图监测等手段可及时发现心脏异常[9-10];《急性冠脉综合征急诊快速诊治指南(2019)》中再次强调心电图检查的重要性,要求有症状发作的ACS 患者必须在首次医疗接触后的10 min 内,完成标准12 导联甚或18 导联心电图检查;如有必要,应给予急救处理,以挽救患者生命[11]。
随着我国基于胸痛中心建设的协同救治网络不断完善,目前院内救治延误时间显著缩短,但患者自身原因引起的延误情况依然严重。 2019 年GUAN 等[12]进行的一项China PEACE 研究纳入我国21 个省份53 家大型医院的ACS 就诊患者,结果显示AMI 患者自发病至抵达医院的中位时间为4 h(中位数2.0~7.5 h)。 与上述研究结果相印证,我国ACS 临床路径研究(CPACS)也表明,AMI 患者自发病至抵达二级医院的平均就诊时间为5 h,而到三级医院平均长达8 h。 结合临床经验,GAO 等[13]提出,院前远程心电诊断可以降低AMI 患者的死亡率,特别是缩短STEMI 患者的救治时间,有助于快速稳定病情,进一步提升急救成功率,保障患者身心安全。 远程心电监测设备的使用和人工智能平台的建立,为缩短呼救时间和缓解不同区域间医疗资源分布不均的矛盾创造了可能。
在远程心电监测中,对于AMI 及恶性心律失常等危急重症的心电信号,临床上要求做到快速、准确诊断。 而应用人工智能技术后,可以实现全自动且准确的心电图解读,同时辅助无症状性心血管疾病检测,覆盖ACS 的筛查、诊断、预后判断及治疗反应监测等各阶段[14]。
院前远程心电监护技术现已被广泛应用于临床,并受到患者认可[15]。 在突发不明原因胸痛患者的远程心电监测中,若捕捉到恶性心律失常及心肌梗死征象,则可在远程指导下对患者实施抢救。KASHEM 等[16]研究表明,相比于入院后强化治疗,改善院前医疗急救水平能更有效地降低相关疾病的病死率。 国外一项研究纳入了直接于医院就诊与院前使用远程心电诊断的两组AMI 患者,通过比较发现,在后一组患者中可避免的延误治疗减少了38%,对其中的远途就医(就医路途时间超过半小时)或年龄>80 岁的老年患者而言,可避免的治疗延误时间缩短了48%,且偏远基层医院的患者人群获益更大[17]。 借助可穿戴心电设备在院外及早诊断并指导患者就医急救,是优化ACS 救治流程的有效策略。 根据远程心电图监测结果,分级匹配相应的临床就医指导意见,能实现“患者未到,信息先到”,从而为危急重症患者的抢救赢得宝贵时间。
基于远程心电传输技术,2011 年3 月27 日中国人民解放军南部战区总医院(简称南部战区总院)成立了中国首家以区域协同救治体系建设为理念的胸痛中心,旨在为急性胸痛患者提供快速诊疗通道。 区域协同救治体系,就是在一定区域范围内建立以具备直接经皮冠状动脉介入治疗(primary percutaneous coronary intervention,PPCI)能力的医院为核心,将周边基层医院和院前救护车整合起来形成区域协同救治网络的快速反应机制,使STEMI 患者一旦发生首次医疗接触,就能在最短时间内被送至具备救治能力的地点接受最佳治疗,并通过制订涵盖急性胸痛救治全程的诊治流程图及管理制度来规范救治体系的运行[18]。 在诊疗流程中,医护人员实时准确地记录各类诊疗活动的时间节点,并同步上传至中国胸痛中心认证云平台数据库,以便进行时间节点管理和质量控制分析。 回顾2011 至2017 年南部战区总院胸痛中心所采集的数据,区域协同救治体系下接受PPCI 的STEMI 患者的救治时间显著缩短,同时PPCI 院内救治时间和医疗系统的延误均有所减少,从而有效降低了STEMI 患者的心力衰竭发生率及院内死亡率[19]。
根据《中国心血管健康与疾病报告2022》估测,中国心血管疾病患病人数为3.3 亿,且患病率处于持续上升阶段,心血管疾病仍居城乡居民疾病死亡构成比的首位[20]。 加强心血管疾病的早期诊断和及时治疗,对提高患者的生存率极其重要。 然而,部分门诊患者的心电图ST 段无明显变化,远程心电监护也不易发现AMI,使心血管患者的漏诊率和死亡风险升高。 远程心电监护中AMI 的检出率较低,可能与患者AMI 持续时间短、ST 段变化幅度小有关,心电监测也会受到患者日常活动的干扰。 尽管远程心电监测对AMI 的诊断率不高,但人工智能可实现精准诊断[21]。
使用自动机器学习的架构搜索方法,可以构建一个准确率高、轻量级的神经网络,使其能在移动端高效地进行动态心电信号的质量评估,将心电信号分为“质量可接受”和“质量不可接受”两类。 如为“质量可接受”,则将信号输入心电事件监测算法;如为“质量不可接受”,则舍弃该信号,并发出警报,提醒使用者调整穿戴姿势或检查设备是否正常运行。 移动端完成待诊断心电信号的质量评估、筛选后,将数据上传至云平台进一步分析、管理[22]。
OLGIN 等[23]尝试探究可穿戴心律转复除颤器是否会改善心肌梗死患者的预后,结果表明在纳入的2 302 例左心室射血分数≤35%的AMI 患者中,佩戴装有心电诊断算法心律转复设备的患者90 d全因死亡率较对照组显著降低了35%。 然而,心律失常的自动检测与STEMI 的检测有本质区别。 从心电信号中自动检测STEMI 的难点取决于三个因素:首先,虽然单导联心电图足以检测心律失常,但要预警STEMI 至少需要12 导联,其自动检测算法也要复杂得多;其次,与非致命性心律失常检测相比,由于STEMI 检测算法被用于警示潜在的致命性波形,因此对其灵敏度要求相对更高;最后,从心电信号中较容易捕捉心律失常,而ST 段的相对微小变化很容易被滤波过程所消除,因此,要开发STEMI算法,就需要未经任何滤波或可视化处理的原始心电数据。 为此,ZHAO 等[24]开发了一种基于深度卷积神经网络的算法来进行STEMI 识别,在与心脏病专家的比较测试中,该算法的AUC 为0.974,其灵敏度(召回率)、特异性及F1 评分均高于心脏病专家。
随着可穿戴技术的发展,在ACS 定性诊断中,可穿戴式12 导联心电设备与标准12 导联心电图已显示出较高的一致性,临床验证二者的诊断符合率可达97.32%[25]。 在此基础上,可穿戴设备与人工智能诊断的结合,将更好地发挥院前远程医疗作用。 沈娟等[26]基于DenseNet(密集连接型网络)的心电数据构建穿戴设备STEMI 的心电智能诊断模型[27],选取441 例12 导联穿戴心电设备提示危急值预警ST 改变的心电图(该数据来源于2019 年1 月至2021 年8 月“全国心电一张网”项目),以临床确诊STEMI 为评价标准,统计得出院前可穿戴心电设备人工判读STEMI 与人工智能诊断STEMI 的敏感性分别为100%、88.37%, 特异性分别为95.40%、79.31%,从而证实院前可穿戴心电设备诊断STEMI 在人工判读、人工智能诊断上具有较高的一致性,且准确率均较高。
de CANNIÈRE 等[28]以120 例冠状动脉造影确诊的冠心病患者为研究对象,探讨基于人工智能心电图算法模式的心脏远程监护系统评估冠心病患者无症状性心肌缺血的有效性。 该研究结果表明,它可以显著提高无症状性心肌缺血的检出率,还能提示这类患者ST 段的微小变化和疾病发作的昼夜节律。
然而,也有研究指出,一些算法能利用基于12导联以下甚至单导联的可穿戴心电设备记录的心电数据对心脏事件进行评估。 CHOWDHURY 等[29]专为驾驶员开发了一种可穿戴系统,用于监测、捕捉驾车过程中发作的心脏病事件。 该系统由可穿戴3 导联传感器以及心脏病发作智能检测和预警子系统组成;在数据处理上未采用以往的线性算法,而是使用多核支持向量机(support vector machines,SVM)算法,借助其扩展修正B 分布的时频特征,从而提高检测准确率(对STEMI 和NSTEMI 的检出率分别达97.4%和96.3%)。
目前,基于可穿戴式12 导联心电设备的机器学习显示出巨大的开发潜力,多种心电人工智能诊断算法正在研发中,有望用于左心室收缩功能障碍、无症状性心房颤动的评估,以及肥厚型心肌病甚至高钾血症的检测,同时还能辅助抗心律失常药物的管理等[30]。
4.3.1 建立长时程多参数信号-个体化的预后评估模型 该模型主要分为动态心电信号自动解析、心电事件自动检测识别和心脏事件自动预警三部分,其中,“长时程”旨在采用多尺度残差结构构建卷积网络模型,有效提取长时程信息,以覆盖从识别、预警到风险预测、预后评估的全流程;“多参数”体现在多导联、多生理参数参与分析,利用多通道1D 卷积网络生成“个体化”的评估方案[31]。 动态心电信号的自动解析要依托于卷积神经网络的建立。 采取多尺度残差卷积结构模型,使用不同长度的卷积核并行,随后将得到的特征图在通道维度上进行叠加,取代常规的固定卷积核长度的卷积层而得到多尺度的感受野,从而有助于优化分类性能。 2019 年HANNUN 等[32]通过引入深度残差卷积网络(ResNet),首次利用原始心电图数据进行分类诊断的综合多类别分析,其使用一个大型单导联心电图数据集来训练机器学习模型,并通过无监督对比学习方法,将高维的心电数据嵌入低维流形空间,以端到端的方式使用34 层网络同时输出各种不同节律的诊断率,使每个心电数据都有唯一的低维向量与之对应,从而得到更适用于分类任务的特征表达方式,以实现定量测量分析和智能信号截取;经验证,该模型对12 种节律的诊断效能与心脏病专家相似,F1 评分甚至超过了普通心脏病专家(0.837vs.0.780)。 在探索个体化心脏事件自动预警及风险评估方案的过程中,已有研究表明,使用深度神经网络分析12 导联心电图电压-时间数据特征,能显著提升其预后评估价值[33],基于该模型的1 年死亡率的预测准确率可达0.88,同时还能发现被医生判定为“正常心电图”却出现不良预后人群的心电特征。 在后续的心脏病专家盲法调查中,该模型有助于辅助临床诊断,且在一定程度上提高了工作效率,展现出人机交互实现互补获益的潜力。 在此基础上,中国人民解放军总医院心血管内科团队基于心脏磁共振(cardiac magnetic resonance, CMR),利用5 种机器学习模型挖掘心电预后信息,量化心电图特征数据、心肌损伤标记物等易测量指标与CMR所示梗死面积之间的关系[34],发现随机森林模型与堆叠模型的诊断性能更为突出(R2分别为0.668、0.579,MAE 分别为0.055、0.052);在识别不良心脏重塑风险方面,模型预测结果与CMR 对梗死面积的诊断具有同等效能,有助于进行预后评估,实现基于心电和CMR 的个体化预警。
4.3.2 基于穿戴设备动态追踪心脏康复过程 心脏康复治疗可促进心血管疾病的二级预防,也是心血管疾病患者持续护理的重要组成部分[35],但心血管疾病通常以其多因素、复杂性为特征,给动态心脏康复治疗带来了挑战。 我国提出要以穿戴设备为基础构建心脏主动健康智能管理体系,从而加快实现心脏监测家庭化、预测预警智能化和精准干预网络化。 数据分析与处理是构建心脏主动健康智能管理体系的基石,而机器学习和人工智能可用于处理多方面的数据集,但人工智能模型的易解释性至关重要,否则其诊断结果不易被临床接受。de CANNIÈRE等[28]尝试在标准化活动测试中使用多参数传感器来评估心脏康复治疗患者在纵向随访中的心脏功能能力。 在心脏康复治疗期间,受试者佩戴具有心电监测功能与加速度计设备的多参数传感器进行6 min 步行测试,并将6 min 步行距离作为心脏功能容量的评价指标,以评估利用传感器参数构建的SVM 模型结合不同特征和使用不同核类型时对心脏功能容量的预测性能。 该研究基于t-分布式随机相邻嵌入(t-SNE)技术对高维数据进行嵌入,可得到3D 图像,从而可视化呈现了传感器衍生的生物参数与功能能力之间的关系,以追踪整个心脏康复治疗程序中患者的功能演变。 该研究结果表明,将可穿戴监测设备与可视化的机器学习数据相结合,能客观地跟踪心脏康复治疗进展,为非卧床心脏康复治疗铺平了道路。
4.3.3 健康状态监测预警智能平台建设 2018 年7 月21 日,在第十五届心脏影像及心脏干预大会上首次提出了“全国心电一张网”项目的建设蓝图。“全国心电一张网”是以患者为中心,解决医患之间、医疗机构之间的连接问题[36]。 基于“全国心电一张网”应用平台,将穿戴设备采集的数据发送至平台后,经过人工智能诊断和大数据分析,给出初步诊断、分级、预警等内容,医疗服务人员对数据及分析内容进行综合评判,并给予居家或医疗干预方案。 按照危急等级分级管理机制,该平台综合调度用户、基层机构或上级医院进行干预,形成心血管疾病监测、预警、诊断、干预的闭环服务体系。
近年来,全球都在积极整合医疗卫生服务和信息技术,不断完善远程心电系统,推动移动医疗卫生服务的优化和升级。 远程心电诊断是远程医疗不可或缺的一部分,人工智能技术的辅助进一步提高了远程诊疗效率,降低了诊疗成本、医保费用,也减轻了患者负担。 这一方面有利于医疗卫生资源的共享和有效配置,促进了传统医疗服务模式向互联网远程医疗服务模式转化;另一方面,也有助于患者在院外随时随地接受专业的医疗服务,从而提高其生存质量。 这种无线化、网络化和人性化的远程心电系统将成为医学领域的发展趋势。