周樂 王玨 張尉華 佟倩 何柳 董建增 馬長生

急性冠脈綜合征（acute coronary syndrome，ACS）是指冠狀動脈（下稱冠脈）內(nèi)不穩(wěn)定的粥樣硬化斑塊破裂或糜爛繼發(fā)血栓形成所引起心臟急性缺血的一類病的總稱，致死率高[1]。盡管ACS 常危及生命，但若早期發(fā)現(xiàn)并及時處理，可以極大限度避免嚴重后果甚至挽救患者生命。機器學習作為人工智能的重要實現(xiàn)方式，通常可以分為3 類：監(jiān)督學習、無監(jiān)督學習和強化學習[2-3]。如今，深度學習在處理圖像數(shù)據(jù)方面表現(xiàn)突出，促使該方法廣泛應(yīng)用于心血管疾病診療技術(shù)研發(fā)，常見算法包括卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)[4]。人工智能通過算法處理多模態(tài)臨床大數(shù)據(jù)（包括患者門診或住院病歷，實驗室檢查，靜態(tài)、動態(tài)影像資料等），可捕獲數(shù)據(jù)之間的高維、非線性關(guān)系，有望提高對ACS 診斷、預(yù)警、不良事件預(yù)測的判別能力[5-7]。本文旨在對人工智能于ACS 的診斷、預(yù)警及預(yù)后評估中的應(yīng)用作一述評。

1 人工智能用于輔助診斷ACS

冠脈造影術(shù)是診斷冠心病的金標準，但由于其侵入性、輻射風險及高成本限制了其臨床應(yīng)用。然而，ACS 發(fā)病急、進展快，若不能及時識別和治療往往預(yù)后較差，甚至發(fā)生猝死。

心肌肌鈣蛋白是發(fā)現(xiàn)心肌梗死最敏感的檢查指標，但目前對所有患者均使用固定的肌鈣蛋白閾值，未考慮不同年齡、性別和癥狀出現(xiàn)時間的影響[8]。其次，肌鈣蛋白升高受限于時間因素，所以單靠肌鈣蛋白診斷心肌梗死會延誤甚至漏診急性心肌梗死的救治[9]。人工智能有望提高肌鈣蛋白診斷急性心肌梗死的靈敏度。Doudesis 等[7]在蘇格蘭地區(qū)2級、3 級醫(yī)院收集10 038 例可能發(fā)生心肌梗死的患者（48%為女性，中位年齡70 歲），將心肌肌鈣蛋白、年齡、性別、癥狀發(fā)作時間、胸痛、缺血性心臟病病史、高脂血癥、心率、收縮壓、Killip 分級、心電圖上的心肌缺血表現(xiàn)、腎功能和血紅蛋白等信息結(jié)合XGBoost 算法訓練CoDE-ACS 模型，并在10 286 例來自6 個國家的7 項前瞻性研究患者（35%為女性）進行外部驗證，模型診斷心肌梗死的判別能力（AUC）達到0.95。

由于非ST 段抬高心肌梗死（non-ST-elevation myocardial infarction，NSTEMI）的心電圖改變輕微且短暫，在急診中診斷往往不明確。Bouzid 等[10]招募2 122 例院外胸痛的患者，采用隨機森林算法對179 項心電圖形態(tài)學特征進行訓練、交叉驗證及測試以增加模型的診斷能力，該模型判別能力（AUC=0.83，靈敏度為0.75，特異度為0.95）優(yōu)于專家獨立診斷（AUC=0.80，靈敏度為0.61，特異度為0.93）。Wu 等[11]首先通過納入268 例患者（NSTEMI 47 例，不穩(wěn)定型心絞痛221 例）的特征利用logistic 回歸算法尋找潛在預(yù)測NSTEMI 的臨床特征，再將包括心肌酶、PR間期及QR 間期等在內(nèi)的潛在預(yù)測指標納入人工神經(jīng)網(wǎng)絡(luò)算法訓練模型以區(qū)分NSTEMI 和不穩(wěn)定型心絞痛，該模型的AUC 及準確度分別為0.98 和0.93。

縮短平均入院至球囊擴張時間對于挽救急性心肌梗死患者至關(guān)重要。Gersh 等[12]研究表明，精準識別急性心肌梗死并在入院后2～3 h 進行擴張冠脈治療，可顯著改善心肌存活率并降低病死率。Liu等[13]首先結(jié)合12 導聯(lián)心電圖開發(fā)了基于深度學習的診斷模型，其診斷ST 段抬高心肌梗死（ST-elevation myocardial infarction，STEMI）的敏感度、特異度分別達到0.98 和0.97，AUC 值達0.98；診斷NSTEMI 的AUC 值可達0.88。在此基礎(chǔ)上，該團隊開發(fā)了用于ACS 報警的AI-S 系統(tǒng)（組成部分包括：胸痛癥狀，12 導聯(lián)心電圖及高敏肌鈣蛋白I），可在心電圖上傳的10 s 內(nèi)完成風險評分，并結(jié)合病史及心肌肌鈣蛋白I、心電圖變化實時更新評分，及時提醒臨床醫(yī)生關(guān)注ACS 高風險的患者[14]。此外，AI-S 系統(tǒng)可將發(fā)現(xiàn)異常心電圖至開通冠脈的中位時間數(shù)從6.0 min 縮短至4.0 min（P＜0.01），入院至球囊擴張時間從69 min 縮短至61 min。此項研究為一線醫(yī)生在臨床工作中提供了及時可靠的診斷決策及系統(tǒng)支持，幫助患者搶占治療時機從而改善預(yù)后，甚至挽救生命。

人工智能在鑒別診斷方面也表現(xiàn)出了強大的臨床輔助決策能力。應(yīng)激性心臟病是一種以左心室急性短暫性功能障礙為特征的綜合征，癥狀類似ACS，雖然無冠脈阻塞或急性斑塊破裂，但也會導致包括死亡在內(nèi)的嚴重不良后果[15]。研究表明，在疑似ACS 的住院患者中，約2%的患者會被診斷為應(yīng)激性心臟病[16]。Laumer 等[17]的研究納入了224 例應(yīng)激性心臟病患者（來自Inter-TAK 注冊中心）和224 例ACS 患者（來自Zurich-ACS 注冊中心）的經(jīng)胸超聲心動圖，選取其中228 例患者的心臟超聲用于訓練基于深度學習的卷積神經(jīng)網(wǎng)絡(luò)模型，其余220 例患者用于驗證模型，結(jié)果顯示深度學習模型的鑒別能力（AUC）超過專家水平（0.79 比0.71）。

2 人工智能用于ACS 預(yù)警

人工智能可輔助臨床醫(yī)生早期識別患者病癥并做出及時治療干預(yù)[2，20]。人工智能算法不僅在ACS診斷方面表現(xiàn)優(yōu)秀，在預(yù)警ACS 的臨床場景也有很大潛力。有學者利用EMPIRE 隊列的1 244 例潛在心肌急性缺血患者的院前心電圖（首次醫(yī)療接觸），融合邏輯回歸、梯度提升機和人工神經(jīng)網(wǎng)絡(luò)3 種算法訓練出一款預(yù)警30 d 內(nèi)急性心肌梗死的機器學習預(yù)測模型，該模型的AUC 為0.82，顯著高于經(jīng)驗豐富的臨床醫(yī)生（AUC=0.67）和心電圖自動判讀系統(tǒng)（AUC=0.62）[21]。

院內(nèi)檢驗指標及檢查結(jié)果結(jié)合人工智能算法對預(yù)測急性心肌梗死也表現(xiàn)出較好的性能。Than等[22]納入11 011 例可疑心肌梗死患者，并進行連續(xù)的心肌肌鈣蛋白監(jiān)測，排除就診時即確診STEMI 的患者。該研究利用此部分患者的臨床特征（包括年齡、性別、匹配的心肌肌鈣蛋白I 以及心肌肌鈣蛋白水平改變率）結(jié)合梯度提升算法訓練機器學習模型-MI3，在測試集中該模型預(yù)警3 h 內(nèi)的急性心肌梗死AUC 達0.96。此研究表明機器學習模型可能對心肌梗死進行個體化及客觀化評估，并用于識別早期臨床決策中受益的患者。此外，在急診診療中融合機器學習算法預(yù)測ACS 也可減少漏診。Emakhu 等[23]利用31 228 例急診患者的臨床特征（包括收縮壓、腦鈉肽、心率等11 種特征）通過Adaptive Boosting、Radient Boosting 和XG-boost 融合訓練出預(yù)測早期ACS 的模型，其中80%的患者納入訓練集，20%的患者納入測試集，此模型的靈敏度及AUC 高達0.86和0.93。

機器學習在心肌梗死事件長期預(yù)測方面也體現(xiàn)出優(yōu)勢。以往，冠脈鈣化風險評分常用于預(yù)測心血管疾病發(fā)病風險[24]，而器械學習技術(shù)結(jié)合心外膜組織等與心血管風險相關(guān)的臨床數(shù)據(jù)使得心肌梗死預(yù)測的準確度進一步提高[25]。Commandeur 等[26]從長期隨訪的EISNER 隊列中招募了1 912 例無胸痛等心肌缺血癥狀的患者，使用全自動多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)對心外膜脂肪組織信息進行特征提取，結(jié)合XG-boost 算法及十折交叉驗證的方法來構(gòu)建15 年內(nèi)心肌梗死或心源性死亡的預(yù)測模型，其預(yù)測能力優(yōu)于動脈粥樣硬化性心血管疾病風險評分及冠脈鈣化風險評分（AUC=0.82、0.77、0.77，P＜0.05）。

3 人工智能用于ACS 患者預(yù)后評價

盡管ACS 患者的治療在近些年來取得了進展，但ACS 術(shù)后的主要不良心血管事件（major adverse cardiovascular events，MACE）的發(fā)生率仍較高。GRACE是通過一項前瞻性、國際多中心的ACS 事件注冊研究建立的風險評分，用于預(yù)測ACS 死亡風險，近些年來也被用于預(yù)測ACS 患者短期預(yù)后[27]。Weichwald等[5]開發(fā)了一項基于多變量線性算法的人工智能模型——“SPUM-ACS”評分系統(tǒng)，該評分系統(tǒng)納入的變量有：年齡、血糖、氨基末端腦鈉肽前體、左心室射血分數(shù)、Killip 分級、周圍血管病病史、惡性腫瘤以及心肺復(fù)蘇史，該評分系統(tǒng)預(yù)測急性心肌梗死1年后死亡率的效能（AUC）優(yōu)于GRACE 2.0（0.86 比0.81）。此外，Wallert 等[28]使用大型多中心注冊研究結(jié)合瑞典國家死亡注冊中心數(shù)據(jù)預(yù)測首次心肌梗死后2 年生存率，在超過50 000 人的數(shù)據(jù)集中驗證該模型的AUC 為0.77。

Motwani 等[29]從國際性多中心的注冊研究中招募了10 030 例疑似冠心病患者，通過算法篩選出44 個臨床特征及10 個冠脈計算機掃描血管造影參數(shù)，再通過Logit-Boost 算法訓練全因死亡預(yù)測模型，采用分層十折交叉驗證，該模型預(yù)測能力超過弗明翰風險評分、節(jié)段狹窄評分、節(jié)段受累評分以及改良杜克指數(shù)（AUC=0.79、0.61、0.64、0.64、0.62；P＜0.01）。

機器學習模型不僅對于ACS 長期預(yù)后有著較精準的預(yù)測能力，對于預(yù)測ACS 院內(nèi)死亡率也有較好的準確度。Pieszko 等[30]收集6 769 例入院患者的炎癥指標及臨床特征，利用邏輯回歸加上XG-boost算法預(yù)測院內(nèi)死亡率，其靈敏度可達0.81，特異度達0.81。如果將這類算法用于臨床工作當中，則有望通過增強對高危急性心肌梗死院內(nèi)的監(jiān)護而減少死亡。

ACS 術(shù)后缺血及出血仍是臨床常見問題，但目前尚缺乏個體化管理，人工智能有望實現(xiàn)此部分患者分層管理。D'ascenzo 等[31]從Blee-MACS 和RENAMI 研究中招募了19 826 例ACS 的患者（80%分配至訓練數(shù)據(jù)集；20%分配至內(nèi)部測試數(shù)據(jù)集），并選取3 444 例作為外部驗證集，采用機器學習方法訓練PRAISE 模型，用于預(yù)測ACS 術(shù)后1 年內(nèi)的全因死亡、急性心肌梗死復(fù)發(fā)及大出血風險。PRAISE模型在內(nèi)部驗證數(shù)據(jù)集預(yù)測全因死亡、急性心肌梗死復(fù)發(fā)及大出血的AUC 分別達到0.82、0.92 及0.74，在外部驗證數(shù)據(jù)集達到0.92，0.81 及0.86。然而，該模型放到亞洲人群中驗證僅在1 年死亡風險預(yù)測中表現(xiàn)優(yōu)于GRACE 評分[32]，提示了用于訓練模型數(shù)據(jù)的代表性會影響到模型的泛化能力。

另一項基于亞洲人的研究納入2 174 例ACS的患者，基于隨機森林算法訓練了預(yù)測ACS 長期死亡率的模型[6]。在內(nèi)部驗證中，該模型納入影響ACS患者預(yù)后的因素，包括：年齡、肌酐、血紅蛋白、血小板、天冬氨酸轉(zhuǎn)氨酶及左心室射血分數(shù)，該模型的AUC 為0.77，高于GRACE 評分（AUC=0.70）。

即使機器學習在預(yù)測ACS 患者的MACE 和死亡率結(jié)局具有較好的準確度，但是這些方法還需要進一步通過臨床試驗來證實它們在指導患者診療過程中的有效性，從而真正應(yīng)用于臨床實踐。

4 人工智能的局限性

人工智能在ACS 的診斷、預(yù)警預(yù)測、預(yù)后評價等方面具有較大優(yōu)勢，但目前仍存在應(yīng)用的局限性：（1）目前依賴人工智能的ACS 的預(yù)警、診斷的資料均來源于院內(nèi)數(shù)據(jù)（如檢驗及檢查），未能真正地實現(xiàn)院前診斷與識別；（2）由于人工智能所涉及深度學習方法的不可解釋性，仍需要進一步通過臨床試驗來證實其有效性和安全性之后才能應(yīng)用于人群；（3）受限于模型訓練數(shù)據(jù)集的代表性，模型在外推到其他人群時的泛化能力往往不太理想[33]；（4）需要進一步的研究來確定人工智能在輔助診斷中的成本效益，并估計其對臨床實踐的影響[34]。

5 小結(jié)

人工智能在ACS 的診斷、預(yù)警及預(yù)測、預(yù)后評價方面表現(xiàn)出了優(yōu)越的判別能力，超越了傳統(tǒng)統(tǒng)計模型和危險評分，再結(jié)合進一步有效性及安全性的評價，人工智能診療工具未來在臨床實踐中的應(yīng)用空間巨大。人工智能的應(yīng)用場景也將不在局限于醫(yī)療場所內(nèi)，隨著互聯(lián)網(wǎng)、智能可穿戴醫(yī)療設(shè)備的蓬勃發(fā)展，患者在診療后、出院后也可以遠程接受醫(yī)療照護，人工智能可以在遠程場景中從提高服務(wù)效率、提升醫(yī)療質(zhì)量兩個方面提供助力，不僅能促進醫(yī)療資源的合理分配，還能及時有效改善患者預(yù)后。