人工智能在急性冠脉综合征诊疗中的应用

周乐 王珏 张尉华 佟倩 何柳 董建增 马长生

急性冠脉综合征（acute coronary syndrome，ACS）是指冠状动脉（下称冠脉）内不稳定的粥样硬化斑块破裂或糜烂继发血栓形成所引起心脏急性缺血的一类病的总称，致死率高[1]。尽管ACS 常危及生命，但若早期发现并及时处理，可以极大限度避免严重后果甚至挽救患者生命。机器学习作为人工智能的重要实现方式，通常可以分为3 类：监督学习、无监督学习和强化学习[2-3]。如今，深度学习在处理图像数据方面表现突出，促使该方法广泛应用于心血管疾病诊疗技术研发，常见算法包括卷积神经网络、递归神经网络和深度神经网络[4]。人工智能通过算法处理多模态临床大数据（包括患者门诊或住院病历，实验室检查，静态、动态影像资料等），可捕获数据之间的高维、非线性关系，有望提高对ACS 诊断、预警、不良事件预测的判别能力[5-7]。本文旨在对人工智能于ACS 的诊断、预警及预后评估中的应用作一述评。

1 人工智能用于辅助诊断ACS

冠脉造影术是诊断冠心病的金标准，但由于其侵入性、辐射风险及高成本限制了其临床应用。然而，ACS 发病急、进展快，若不能及时识别和治疗往往预后较差，甚至发生猝死。

心肌肌钙蛋白是发现心肌梗死最敏感的检查指标，但目前对所有患者均使用固定的肌钙蛋白阈值，未考虑不同年龄、性别和症状出现时间的影响[8]。其次，肌钙蛋白升高受限于时间因素，所以单靠肌钙蛋白诊断心肌梗死会延误甚至漏诊急性心肌梗死的救治[9]。人工智能有望提高肌钙蛋白诊断急性心肌梗死的灵敏度。Doudesis 等[7]在苏格兰地区2级、3 级医院收集10 038 例可能发生心肌梗死的患者（48%为女性，中位年龄70 岁），将心肌肌钙蛋白、年龄、性别、症状发作时间、胸痛、缺血性心脏病病史、高脂血症、心率、收缩压、Killip 分级、心电图上的心肌缺血表现、肾功能和血红蛋白等信息结合XGBoost 算法训练CoDE-ACS 模型，并在10 286 例来自6 个国家的7 项前瞻性研究患者（35%为女性）进行外部验证，模型诊断心肌梗死的判别能力（AUC）达到0.95。

由于非ST 段抬高心肌梗死（non-ST-elevation myocardial infarction，NSTEMI）的心电图改变轻微且短暂，在急诊中诊断往往不明确。Bouzid 等[10]招募2 122 例院外胸痛的患者，采用随机森林算法对179 项心电图形态学特征进行训练、交叉验证及测试以增加模型的诊断能力，该模型判别能力（AUC=0.83，灵敏度为0.75，特异度为0.95）优于专家独立诊断（AUC=0.80，灵敏度为0.61，特异度为0.93）。Wu 等[11]首先通过纳入268 例患者（NSTEMI 47 例，不稳定型心绞痛221 例）的特征利用logistic 回归算法寻找潜在预测NSTEMI 的临床特征，再将包括心肌酶、PR间期及QR 间期等在内的潜在预测指标纳入人工神经网络算法训练模型以区分NSTEMI 和不稳定型心绞痛，该模型的AUC 及准确度分别为0.98 和0.93。

缩短平均入院至球囊扩张时间对于挽救急性心肌梗死患者至关重要。Gersh 等[12]研究表明，精准识别急性心肌梗死并在入院后2～3 h 进行扩张冠脉治疗，可显著改善心肌存活率并降低病死率。Liu等[13]首先结合12 导联心电图开发了基于深度学习的诊断模型，其诊断ST 段抬高心肌梗死（ST-elevation myocardial infarction，STEMI）的敏感度、特异度分别达到0.98 和0.97，AUC 值达0.98；诊断NSTEMI 的AUC 值可达0.88。在此基础上，该团队开发了用于ACS 报警的AI-S 系统（组成部分包括：胸痛症状，12 导联心电图及高敏肌钙蛋白I），可在心电图上传的10 s 内完成风险评分，并结合病史及心肌肌钙蛋白I、心电图变化实时更新评分，及时提醒临床医生关注ACS 高风险的患者[14]。此外，AI-S 系统可将发现异常心电图至开通冠脉的中位时间数从6.0 min 缩短至4.0 min（P＜0.01），入院至球囊扩张时间从69 min 缩短至61 min。此项研究为一线医生在临床工作中提供了及时可靠的诊断决策及系统支持，帮助患者抢占治疗时机从而改善预后，甚至挽救生命。

人工智能在鉴别诊断方面也表现出了强大的临床辅助决策能力。应激性心脏病是一种以左心室急性短暂性功能障碍为特征的综合征，症状类似ACS，虽然无冠脉阻塞或急性斑块破裂，但也会导致包括死亡在内的严重不良后果[15]。研究表明，在疑似ACS 的住院患者中，约2%的患者会被诊断为应激性心脏病[16]。Laumer 等[17]的研究纳入了224 例应激性心脏病患者（来自Inter-TAK 注册中心）和224 例ACS 患者（来自Zurich-ACS 注册中心）的经胸超声心动图，选取其中228 例患者的心脏超声用于训练基于深度学习的卷积神经网络模型，其余220 例患者用于验证模型，结果显示深度学习模型的鉴别能力（AUC）超过专家水平（0.79 比0.71）。

2 人工智能用于ACS 预警

人工智能可辅助临床医生早期识别患者病症并做出及时治疗干预[2，20]。人工智能算法不仅在ACS诊断方面表现优秀，在预警ACS 的临床场景也有很大潜力。有学者利用EMPIRE 队列的1 244 例潜在心肌急性缺血患者的院前心电图（首次医疗接触），融合逻辑回归、梯度提升机和人工神经网络3 种算法训练出一款预警30 d 内急性心肌梗死的机器学习预测模型，该模型的AUC 为0.82，显著高于经验丰富的临床医生（AUC=0.67）和心电图自动判读系统（AUC=0.62）[21]。

院内检验指标及检查结果结合人工智能算法对预测急性心肌梗死也表现出较好的性能。Than等[22]纳入11 011 例可疑心肌梗死患者，并进行连续的心肌肌钙蛋白监测，排除就诊时即确诊STEMI 的患者。该研究利用此部分患者的临床特征（包括年龄、性别、匹配的心肌肌钙蛋白I 以及心肌肌钙蛋白水平改变率）结合梯度提升算法训练机器学习模型-MI3，在测试集中该模型预警3 h 内的急性心肌梗死AUC 达0.96。此研究表明机器学习模型可能对心肌梗死进行个体化及客观化评估，并用于识别早期临床决策中受益的患者。此外，在急诊诊疗中融合机器学习算法预测ACS 也可减少漏诊。Emakhu 等[23]利用31 228 例急诊患者的临床特征（包括收缩压、脑钠肽、心率等11 种特征）通过Adaptive Boosting、Radient Boosting 和XG-boost 融合训练出预测早期ACS 的模型，其中80%的患者纳入训练集，20%的患者纳入测试集，此模型的灵敏度及AUC 高达0.86和0.93。

机器学习在心肌梗死事件长期预测方面也体现出优势。以往，冠脉钙化风险评分常用于预测心血管疾病发病风险[24]，而器械学习技术结合心外膜组织等与心血管风险相关的临床数据使得心肌梗死预测的准确度进一步提高[25]。Commandeur 等[26]从长期随访的EISNER 队列中招募了1 912 例无胸痛等心肌缺血症状的患者，使用全自动多任务卷积神经网络对心外膜脂肪组织信息进行特征提取，结合XG-boost 算法及十折交叉验证的方法来构建15 年内心肌梗死或心源性死亡的预测模型，其预测能力优于动脉粥样硬化性心血管疾病风险评分及冠脉钙化风险评分（AUC=0.82、0.77、0.77，P＜0.05）。

3 人工智能用于ACS 患者预后评价

尽管ACS 患者的治疗在近些年来取得了进展，但ACS 术后的主要不良心血管事件（major adverse cardiovascular events，MACE）的发生率仍较高。GRACE是通过一项前瞻性、国际多中心的ACS 事件注册研究建立的风险评分，用于预测ACS 死亡风险，近些年来也被用于预测ACS 患者短期预后[27]。Weichwald等[5]开发了一项基于多变量线性算法的人工智能模型——“SPUM-ACS”评分系统，该评分系统纳入的变量有：年龄、血糖、氨基末端脑钠肽前体、左心室射血分数、Killip 分级、周围血管病病史、恶性肿瘤以及心肺复苏史，该评分系统预测急性心肌梗死1年后死亡率的效能（AUC）优于GRACE 2.0（0.86 比0.81）。此外，Wallert 等[28]使用大型多中心注册研究结合瑞典国家死亡注册中心数据预测首次心肌梗死后2 年生存率，在超过50 000 人的数据集中验证该模型的AUC 为0.77。

Motwani 等[29]从国际性多中心的注册研究中招募了10 030 例疑似冠心病患者，通过算法筛选出44 个临床特征及10 个冠脉计算机扫描血管造影参数，再通过Logit-Boost 算法训练全因死亡预测模型，采用分层十折交叉验证，该模型预测能力超过弗明翰风险评分、节段狭窄评分、节段受累评分以及改良杜克指数（AUC=0.79、0.61、0.64、0.64、0.62；P＜0.01）。

机器学习模型不仅对于ACS 长期预后有着较精准的预测能力，对于预测ACS 院内死亡率也有较好的准确度。Pieszko 等[30]收集6 769 例入院患者的炎症指标及临床特征，利用逻辑回归加上XG-boost算法预测院内死亡率，其灵敏度可达0.81，特异度达0.81。如果将这类算法用于临床工作当中，则有望通过增强对高危急性心肌梗死院内的监护而减少死亡。

ACS 术后缺血及出血仍是临床常见问题，但目前尚缺乏个体化管理，人工智能有望实现此部分患者分层管理。D'ascenzo 等[31]从Blee-MACS 和RENAMI 研究中招募了19 826 例ACS 的患者（80%分配至训练数据集；20%分配至内部测试数据集），并选取3 444 例作为外部验证集，采用机器学习方法训练PRAISE 模型，用于预测ACS 术后1 年内的全因死亡、急性心肌梗死复发及大出血风险。PRAISE模型在内部验证数据集预测全因死亡、急性心肌梗死复发及大出血的AUC 分别达到0.82、0.92 及0.74，在外部验证数据集达到0.92，0.81 及0.86。然而，该模型放到亚洲人群中验证仅在1 年死亡风险预测中表现优于GRACE 评分[32]，提示了用于训练模型数据的代表性会影响到模型的泛化能力。

另一项基于亚洲人的研究纳入2 174 例ACS的患者，基于随机森林算法训练了预测ACS 长期死亡率的模型[6]。在内部验证中，该模型纳入影响ACS患者预后的因素，包括：年龄、肌酐、血红蛋白、血小板、天冬氨酸转氨酶及左心室射血分数，该模型的AUC 为0.77，高于GRACE 评分（AUC=0.70）。

即使机器学习在预测ACS 患者的MACE 和死亡率结局具有较好的准确度，但是这些方法还需要进一步通过临床试验来证实它们在指导患者诊疗过程中的有效性，从而真正应用于临床实践。

4 人工智能的局限性

人工智能在ACS 的诊断、预警预测、预后评价等方面具有较大优势，但目前仍存在应用的局限性：（1）目前依赖人工智能的ACS 的预警、诊断的资料均来源于院内数据（如检验及检查），未能真正地实现院前诊断与识别；（2）由于人工智能所涉及深度学习方法的不可解释性，仍需要进一步通过临床试验来证实其有效性和安全性之后才能应用于人群；（3）受限于模型训练数据集的代表性，模型在外推到其他人群时的泛化能力往往不太理想[33]；（4）需要进一步的研究来确定人工智能在辅助诊断中的成本效益，并估计其对临床实践的影响[34]。

5 小结

人工智能在ACS 的诊断、预警及预测、预后评价方面表现出了优越的判别能力，超越了传统统计模型和危险评分，再结合进一步有效性及安全性的评价，人工智能诊疗工具未来在临床实践中的应用空间巨大。人工智能的应用场景也将不在局限于医疗场所内，随着互联网、智能可穿戴医疗设备的蓬勃发展，患者在诊疗后、出院后也可以远程接受医疗照护，人工智能可以在远程场景中从提高服务效率、提升医疗质量两个方面提供助力，不仅能促进医疗资源的合理分配，还能及时有效改善患者预后。