人工智能在高血压诊治中的应用

王立娜 雷警输 谭琛

高血压是重要的心血管疾病危险因素,可导致脑卒中、缺血性心脏病、心功能不全和认知障碍,也是造成全球死亡和伤残调整寿命年增加的重要病因之一。高血压的发病率依然每年呈上升趋势,但总体知晓率、诊断率和有效治疗率仍较低,到目前为止仅不到20%的高血压患者血压控制达标[1-2],真实世界中高血压的控制率与临床指南仍存在较大差距。人工智能和机器学习在医疗领域的研发和应用,无疑给高血压的诊治带来了质的飞跃和重要转型,重塑了高血压治疗的新路径、新模式。数据科学、生物技术及数字技术的结合是人工智能处理大数据的基础;在传统的高血压危险因素基础上,人工智能联合基因组学、蛋白质组学、代谢组学、人口学特征、社会经济学和表观遗传学等多变量因素,可为高血压的精准治疗和个体化治疗提供靶点。

人工智能产品与服务按功能主要分为监测预警类、健康信息管理类和辅助康复类[3]。人工智能医疗设备可监测血压,以及心率、脉搏、步数、睡眠等相关指标,提高患者的血压自我管理能力;各种慢病自我管理App采集和聚合用户的健康信息,通过人工智能客服提供便捷、有效的健康管理支持;智能药物、智能机器人等辅助康复类人工智能设备,可提醒患者用药、计算剩余药量、物理辅助患者康复等[3]。人工智能逐步推动高血压等慢病管理从以医疗机构为主体转换到以个人、家庭为主体,并使患者逐渐适应角色转换,增强疾病自我管理意识与能力。本文就人工智能在高血压领域中的应用进行综述。

1 人工智能建模用于高血压预测

1.1 人工智能与高血压初筛

凭借强大的数据处理能力,人工智能除了能代替临床医生处理大量烦琐的数据、简化高血压筛查流程和提高高血压知晓率以外,还能在传统的高血压危险因素基础上联合影像学、基因组学等多因素,构建高血压风险预测模型,从而弥补临床医生诊断的局限性,提高高血压的早期诊断率、降低漏诊率。例如,通过人工智能进行视网膜眼底扫描,可及时发现高血压、糖尿病等全身性慢病[4]。HUNG等[5]的两项队列研究共纳入1386例高血压患者,通过33个临床特征构建的逻辑回归(logistic regression,LR)、随机森林(random forest,RF)、极限梯度提升算法(extreme gradient boosting,XGBoost)和人工神经网络(artificial neural network,ANN)模型,可有效地识别隐匿性高血压和未控制的隐匿性高血压,其中RF模型具有最佳的内部和外部验证结果(AUC=0.851、0.837;敏感性=1.000、1.000;特异性=0.609、0.580;阴性预测值=1.000、1.000;准确率=0.766、0.721)。另一项纳入801例患者的研究通过人工智能测得胸部CT扫描的胸主动脉内径和高血压相关(AUC=0.73),尤其是和隐匿性高血压显著相关[6],据此能在一定程度上预测高血压。机器学习联合传统高血压危险因素和基因组学等,可构建高效的高血压风险预测模型。PEI等[7]分析了1200例社区高血压患者和健康人群的数据,纳入9个环境因子[身高、体重指数(body mass index,BMI)、性别、年龄、职业、吸烟史等]和12个基因遗传因子,研究显示,采用支持向量机(support vector machine,SVM)算法构建的高性能预测模型,预测准确率可达80.1%,敏感性为63.3%,特异性为86.7%,AUC值为0.886。国内一项前瞻性研究纳入农村地区4592例无高血压人群,采集饮食方式、BMI、身体活动等传统因素和基因型位点数据,每3年进行随访,发现通过机器学习并采用传统危险因素联合多基因风险评分(polygenic risk score,PGGRS)分析模型,可提高高血压患者初次诊断的效能[8]。ISLAM等[9]的大样本研究中纳入6965例成年人(≥35岁),使用最小绝对收缩选择算子(least absolute shrinkage and selection operator,LASSO)和支持向量机递归特征消除(support vector machine recursive feature elimination,SVMRFE)方法预测高血压的风险因素,结果显示依据LASSO方法中的年龄、BMI、财富指数、工作状况和婚姻状态,以及SVMRFE方法中的年龄、BMI、婚姻状态、糖尿病和地域风险因素可预测高血压。胡静[10]使用英国生物样本数据库UK Biobank中的214867份数据样本,采用基于前馈全连接网络的ANN和轻量级梯度提升机器学习(light gradient boosting machine,LightGBM)方法,对高血压进行预测,结果显示用LightGBM方法预测的结果和ANN基本相近,准确率高达0.8349,AUC值为0.9148,表明该方法具有较强的高血压预测性能。基于人工智能对高血压的预测和早期诊断,有望提高高血压的知晓率,并批量筛查出隐匿性高血压患者,继而改变人们对高血压流行病学的认识。

1.2 人工智能预测模型与传统统计学方法的比较

绝大多数研究显示,基于机器学习的高血压风险预测模型性能并不劣于传统的统计学方法。NIMMALA等[11]对比了机器学习算法(决策树、RF、朴素贝叶斯算法)和LR预测高血压风险的性能,结果发现RF算法的准确率高于LR(87.5%vs.71.0%)。基于机器学习算法构建的预测模型可克服统计学方法的缺陷,同时其判别性能优于传统模型(LR或Cox回归)[12-13]。然而,对此也有相反的研究结论:HEO等[14]纳入8212例高血压患者和健康人群的调查研究显示,LR的预测性能优于朴素贝叶斯算法和决策树构建模型。

2 人工智能用于血压实时监测、高血压病因评估及其并发症预测

2.1 人工智能用于血压实时监测

人工智能使血压从点到线的实时监测更为便捷,据此更容易了解患者的血压类型和动态变化规律。KOSHIMIZU等[15]利用深度中枢网络系统,采集家庭和门诊血压来预测血压的变异性和平均值,显示出诊室外准确测量血压对血压分类的重要性。陈硕[16]采用机器学习支持向量回归(support vector regression,SVR)方法构建无创连续血压监测模型,进一步克服了传统血压间歇性测量的缺陷,将其实际应用于无创血压的连续监测具有可行性。TAN等[17]通过可穿戴设备将收集到的脉搏波数据与预先建立的回归模型相结合,基于深度学习的腕带式血压预测(blood pressure prediction wristband,BPPW)设备,使用人工智能算法Transformer预测血压的误差小于4 mmHg,并且BPPW设计巧妙、易于操作和佩戴,可长时间监测血压。国内的一项研究结合脉搏特征参数和机器学习典型回归模型,采用线性回归、套索回归、弹性网络、K最近邻和分类回归树5种算法,建立了人体血压测量模型,可实现高精度的无创血压测量;该研究利用循环神经网络构建的基于用户背景信息的双向长短期记忆神经网络(long short-term memory network-bilateral,LSTM-BI)血压预测模型对人体血压具有较高的预测性能[18]。LIN等[19]通过单点光电容积描记法(photoplethysmographic,PPG)信号,再经ANN处理后输出收缩压、舒张压和平均动脉压,实现连续准确的无创血压监测,具有快速、节能、内存消耗低等特点。

2.2 人工智能用于高血压病因评估

人工智能经过训练和对大量数据集的学习后,在高血压病因评估,尤其涉及继发性高血压复杂病因评估方面的性能更高,可弥补临床医生诊断的局限性。人工智能专家系统HEDDS推理算法可对高血压的29种病因进行鉴别诊断,诊断符合率高达94.4%[20]。BUFFOLO等[21]的大样本回顾性研究中纳入4059例高血压患者,通过临床量化数值评分和基于机器学习构建的模型可高效预测原发性醛固酮增多症(primary aldosteronism,PA)患者,机器学习模型预测PA和单侧PA的AUC值分别为0.834和0.905,敏感性分别为96.6%和100.0%。由此可见,使用临床评分系统和机器学习可高效预测高血压中的PA患者,减少了至少32.7%的筛查工作量,降低了不必要的医疗资源消耗。

2.3 人工智能用于高血压并发症预测

人工智能可构建高血压并发症相关的预测模型,早期识别高血压高危人群,从而做到早期干预,改善高血压患者的预后。机器学习可搭建高血压并发症脑卒中风险预测模型,周洁[22]联合肥胖指标BMI、腰臀比(waist-hip ratio,WHR)及其他指标建立的XGBoost脑卒中风险预测模型具有优越的预测性能,能够早期识别高血压高危个体。刘婷等[23]的研究纳入1478例原发性高血压(essential hypertension,EH)并发脑梗死患者,通过单因素分析构建的LR、决策树、RF和XGBoost模型预测EH并发脑梗死的AUC值均较高,其中XGBoost模型的综合诊断效能最佳(AUC=0.808,95%CI0.804～0.811),提示血细胞比容、白蛋白、就诊年龄、白细胞计数、胆碱酯酶和载脂蛋白A1可用于预测EH患者的脑梗死患病风险。XU等[24]回顾性分析了270例高血压脑出血患者,随访患者6个月后的CT影像学结果,发现以CT影像学结果为金标准,利用机器学习构建的脑出血预后预测模型具有一定的准确性,其中RF模型和XGBoost模型的准确率最高(分别为93.3%、89.1%),敏感性分别为93.3%、92.3%,特异性分别为92.5%、88.1%。龚军[25]纳入EH并发冠心病患者2487例和单纯EH患者3904例,基于医疗数据(包括患者的一般信息、生命体征、既往病史和辅助检查指标)与机器学习算法建立的RF、XGBoost、分类回归树、BP神经网络(back propagation neural network,BPNN)、logistic诊断模型对EH并发冠心病有很好的辅助诊断功能,其中RF、XGBoost模型的AUC值达0.885和0.892,可辅助早期诊断。FAHMY等[26]的队列研究中纳入2732例高血压心肌病患者,经过5年随访,采用基于机器学习的LASSO算法构建的风险分层模型来预测患者发生心力衰竭的风险因素,结果显示通过性别、NYHA分级、高血压心肌病类型(是否为梗阻性心肌病)、左心室壁厚度、左心室射血分数、心力衰竭症状、合并症(房颤、高血压、二尖瓣关闭不全和收缩期前向运动)以及使用心脏相关药物的类型,其可正确识别心力衰竭高危患者,准确率为74%(95%CI0.70～0.78),敏感性为80%(95%CI0.77～0.83),特异性为72%(95%CI0.68～0.76)。

3 人工智能用于辅助高血压治疗决策

3.1 人工智能辅助医生用药决策

人工智能可提高高血压治疗的精准性、实时性、高效性和患者依从性,辅助临床医生做出最优治疗决策。基于临床决策支持系统,并整合医院信息系统、电子病历系统和检验系统等,可建立药品信息知识库和训练集,经推理、数据挖掘技术为高血压患者的最优用药决策提供参考[27]。机器学习还可构建药物间相互作用,或是根据临床信息对患者进行聚类分析,从而提供更精准化的治疗方案[28]。国内一项研究纳入148735例高血压住院患者的相关资料,使用机器学习方法预测5种降压药物的疗效,其建立的预测模型具有较高的敏感性,尤其是基于SVM算法构建的非洛地平疗效预测模型敏感性可达99%,其他药物均在80%以上,在临床用药决策方面可发挥积极作用[29]。刘然[30]基于统计可视化和机器学习算法建立的药物预测模型,可用来预测影响降压方案实施效果的关键因素,采用机器学习构建的药物预测模型(其中RF模型和梯度提升树的准确率分别为75%、72.5%)可指导患者合理用药并辅助医生进行治疗决策。DUAN等[31]把机器学习应用于SPRINT研究,采用X线性方法分别计算强化降压和标准降压患者的治疗获益,结果显示,治疗获益不完全与患者的基线心血管风险成正比,而机器学习治疗效果预测模型可用于对高血压患者的治疗方案进行校准和优化。

3.2 人工智能辅助健康监护与管理

人工智能可实现对患者的血压监测和结果反馈,并提供相关治疗指导,在医生和患者之间增加了另外一个医疗信任因素,有助于提高高血压的治疗率和控制率。通过可穿戴设备监测患者的血压、心率等生理健康指标,再从终端获取数据并进行分析,实现对慢病患者的实时健康监护[32];利用本体、决策树和Jena推理引擎,还可构建针对高血压患者的慢病膳食推荐系统[33]。HUANG等[34]研究使用机器学习模型来预测青年高血压患者在心肺运动测试指导下运动处方的疗效,结果显示在心肺运动测试运动阶段的数据比其他阶段具有更好的模型预测效能,对患者运动处方的指导价值也更高。乔秋婷[35]基于遗传算法与朴素贝叶斯分类算法构建了高血压慢病风险因素评估模型和辅助决策系统,其包含患者端、医生端和服务端,其中,患者端的监测数据可定时传输到服务端;服务端进行风险因素提取、疾病诊断和风险评估等计算,反馈到患者端和医生端,并将体征数据传输到医生端;医生端可及时给予建议并制定健康指导方案。同样地,通过物联网技术和语义网技术也能自动监测慢病患者的健康状况,并推荐相应的饮食和药物[36]。CHIANG等[37]利用家庭血压监测、可穿戴设备和特征性信息技术采集血压升高或1级高血压患者的血压数据,同时基于机器学习随机效应模型构建个体化的血压模型并识别相关生活方式影响因素,从而为患者改善不良生活方式提供指导;结果发现,指导组患者的收缩压和舒张压分别降低了3.8、2.3 mmHg,而非指导组分别降低了0.3、0.9 mmHg。该研究提示,使用可穿戴设备监测和机器学习模型预测可给予精确化、个体化的生活方式建议和指导,改善早期高血压患者的血压水平。可视化的机器人聊天架构可以满足患者对数据存储、远程监测和服药提醒的需求[38-39]。采用Android平台的高血压监测预警系统能分析与处理用户多个时段的生理健康数据,将血压、心率异常值及时发送给用户,实现了血压和心率监测、智能预警以及健康教育、健康指导等功能,为高血压高危人群的防治前移提供了有力支持[40]。基于人工智能的慢病管理能轻松融入患者的生活,带来良好的服务体验,并有望成为家庭护理医疗的重要手段。

3.3 人工智能用于高血压治疗领域的展望

未来高血压治疗领域很可能发生质的飞跃,借助纳米技术、时间治疗学和3D打印联合技术,降压药物能实现精确释放,增强高血压治疗的精准性、实时性、个体化[41]。人工智能电话随访可提高高血压的治疗依从性、知晓率,减轻临床医生的工作负担、提高随访效率、提高医疗服务水平和改善服务体验。应用语音智能外呼系统开展批量化的社区高血压患者健康管理、依从性和满意度调查,并与慢病管理系统信息共享,能实现数字化管理,一方面可显著提高家庭医生的高血压管理效率和治疗规范性;另一方面,增强了患者的高血压自我管理能力和治疗依从性,实现了个体化治疗,也增强了患者对家庭医生服务的获得感、满意度和就医黏性[42]。

4 小结

人工智能化大数据管理联合基因组学、遗传学、转录组学、蛋白质组学和代谢组学,实现了多来源、多层面、多元化、多类型、多格式海量健康医疗数据的融合和共享,打造高血压深层数据挖掘分析平台,将改变对EH病理生理机制和继发性高血压病因的认识,加深对隐匿性高血压的理解,改变现有的高血压诊断模式,甚至影响目前对于高血压流行病学的认识。这有利于进一步研发精准、可控的靶向药物,构建更加完善的高血压临床辅助决策工具,改变高血压传统用药模式,真正向精准医学迈进。此外,还可以整合患者既往碎片化的临床信息,建立高血压人群完备的个人电子健康档案,并以此为基础构建东方人群的高血压医学数字资源数据库和信息资产,对患者进行分层、分型和细化管理,动态实时评估治疗效果,使用信息化技术进行批量随访和平台交互,实现高血压的云服务闭环管理。通过采取上述举措,将节省大量医疗资源,降低医疗成本,优化医疗资源的配置和利用。在此基础上,建立有效的分级诊疗制度,突破地域限制,提高公共卫生服务均等化效率,真正实现“以患者为中心”的管理模式,使高血压诊治水平实现质的飞跃。

但是,人工智能评估高血压的准确性和辅助治疗决策的有效性仍有待提高,需进一步加强大数据支持和相关研究,在不同文化程度、年龄层次的人群中使用不同的方法,同时提高患者的配合度和接受度,拓展多种场景下的人工智能应用,增加人工智能标准化中心认证,开展社区和全民教育,从而建立高血压等多种慢病管理的新模式。人工智能联合药物基因组学无疑能使高血压的个体化治疗更为精准,但目前仍处于初步探索阶段,面临数据隐私、标准化、伦理、准确性、监管等方面的诸多挑战。