導(dǎo)讀

61．3％的心衰患者出院后1年內(nèi)再入院，早期預(yù)測(cè)患者的再住院概率和原因有助于制定和調(diào)整患者出院后的遠(yuǎn)程支持和教育。

心力衰竭（HF）的主要潛在致病原因，包括冠狀動(dòng)脈疾病、心臟瓣膜病、高血壓、心肌病，以及其他疾�。▓D1），盡管與治療這些病因相關(guān)的臨床管理、外科手術(shù)和醫(yī)療設(shè)備都取得了進(jìn)展，但HF的治療仍然面臨重大挑戰(zhàn)。需要應(yīng)用新技術(shù)、新方法來(lái)優(yōu)化這種慢性病的管理，改善臨床決策和預(yù)后，并最終減少相關(guān)醫(yī)療支出。

在此背景下，一篇近期發(fā)表于 Digital Medicine in Heart Failure 的綜述論文為大家詳細(xì)介紹了深度學(xué)習(xí)（Deep Learning，DL）技術(shù)在HF診療中的應(yīng)用現(xiàn)狀，文章通過(guò)聚焦診斷、預(yù)后和再住院風(fēng)險(xiǎn)預(yù)測(cè)，探索DL在該領(lǐng)域應(yīng)用的成熟度。

DL應(yīng)用于HF診斷及預(yù)后預(yù)測(cè)的相關(guān)內(nèi)容請(qǐng)看上一篇：《利用AI預(yù)測(cè)或可改善心衰再入院率（上）》

04

預(yù)測(cè)再入院有助于定制和調(diào)整患者出院后遠(yuǎn)程支持

HF再入院率非常高，61．3％的患者出院后1年內(nèi)因HF再入院，這對(duì)患者的生活質(zhì)量以及醫(yī)療系統(tǒng)都產(chǎn)生了負(fù)面影響。開(kāi)發(fā)有效工具預(yù)測(cè)患者的再住院概率和原因有助于制定和調(diào)整患者出院后的遠(yuǎn)程支持和教育。此外，早期識(shí)別高危患者將改善可能挽救生命的隨訪時(shí)間安排。

自患者出院起，EHR包含的大量數(shù)據(jù)可支持對(duì)患者預(yù)后及再入院概率的預(yù)測(cè)。一些研究探討了將DL模型應(yīng)用于此的可能性，比如CONTENT。它是一個(gè)基于RNN，旨在預(yù)測(cè)30天再入院率的DL模型。它利用5393名充血性HF患者的EHR進(jìn)行開(kāi)發(fā)，嵌入了與患者疾病、實(shí)驗(yàn)室檢查、藥物相關(guān)的數(shù)據(jù)。盡管優(yōu)于其他現(xiàn)有模型，但結(jié)果仍不能令人滿意，平均查準(zhǔn)率－查全率曲線AUC為38．94％，AUC為61．03％，準(zhǔn)確度為69．34％�；�于住院和門診患者訪問(wèn)期間獲得的數(shù)據(jù)開(kāi)發(fā)的深度統(tǒng)一網(wǎng)絡(luò)模型的結(jié)果略有改善，預(yù)測(cè)HF患者30天再入院的平均AUC為70．5％，準(zhǔn)確度為76．4％。

將基于DL的方法應(yīng)用于來(lái)自EHR的大數(shù)據(jù)還可以識(shí)別HF患者的亞型。Xiao和同事的研究能夠識(shí)別出20個(gè)充血性HF患者亞組，每個(gè)亞組可能表現(xiàn)出不同的合并癥，這些合并癥可能影響該綜合征的進(jìn)展，從而影響再次入院的風(fēng)險(xiǎn)。這種方法可以為個(gè)性化和有針對(duì)性的家庭護(hù)理路徑的識(shí)別和開(kāi)發(fā)鋪平道路。

遠(yuǎn)程監(jiān)測(cè)解決方案可以有效支持HF患者管理自身病情，提高生活質(zhì)量，從而降低再入院和死亡的風(fēng)險(xiǎn)。目前的方法主要包括使用可植入設(shè)備進(jìn)行遠(yuǎn)程監(jiān)測(cè)，如CardioMems和IN－TIME方法已被2016年歐洲心臟病學(xué)年會(huì)（ESC）急性診斷和治療指南推薦為II類，用于特定患者急性和慢性HF的診斷和治療。由于技術(shù)和通信系統(tǒng)的進(jìn)步，非侵入性遠(yuǎn)程醫(yī)療解決方案，包括基于電話的監(jiān)測(cè)和教育、可穿戴和移動(dòng)健康，已經(jīng)得到實(shí)施和測(cè)試。

TIM－HF2（心力衰竭的遠(yuǎn)程醫(yī)療介入管理II）前瞻性隨機(jī)對(duì)照試驗(yàn)是一個(gè)成功的無(wú)創(chuàng)多參數(shù)遠(yuǎn)程患者監(jiān)測(cè)的例子。796名患者被分配到遠(yuǎn)程監(jiān)測(cè)組，775名患者被分配到對(duì)照組。該研究涉及多種每天測(cè)量和傳輸?shù)纳�理參�?shù)，包括體重、血壓、心電圖、心率和外周毛細(xì)血管氧飽和度，以及健康狀況的自我評(píng)分，促進(jìn)遠(yuǎn)程醫(yī)療中心與心臟病專家、全科醫(yī)生的合作。遠(yuǎn)程醫(yī)療軟件分析收集到的數(shù)據(jù)，并將患者劃分風(fēng)險(xiǎn)類別。

結(jié)果表明，該研究有效地支持了高危患者識(shí)別，加速了有針對(duì)性的干預(yù)，從而減少了1年隨訪期天數(shù)和全因死亡率。最近的一項(xiàng)研究進(jìn)一步改進(jìn)了這些結(jié)果，實(shí)現(xiàn)了基于TIM－HF2數(shù)據(jù)庫(kù)的DL神經(jīng)網(wǎng)絡(luò)模型，使平均AUC值達(dá)到0．84。

可穿戴設(shè)備還可以促進(jìn)對(duì)患者出院后健康狀況的持續(xù)監(jiān)測(cè)，從而為改善遠(yuǎn)程監(jiān)測(cè)和醫(yī)療保健提供機(jī)會(huì)。LINK－HF研究旨在評(píng)估使用佩戴在胸部的可穿戴傳感器預(yù)測(cè)導(dǎo)致HF患者再次住院的病情惡化的準(zhǔn)確性。設(shè)備連續(xù)采集心電圖、加速度信號(hào)、皮膚阻抗和皮膚溫度數(shù)據(jù)，監(jiān)測(cè)心率及其變異性、心律失常負(fù)荷、呼吸頻率、體力活動(dòng)和身體姿勢(shì)。收集到的數(shù)據(jù)被上傳云端進(jìn)行分析�；�于相似度的ML算法生成一個(gè)多變量指標(biāo)來(lái)反映獲得的重要參數(shù)的變化程度。該平臺(tái)在預(yù)測(cè)HF惡化患者再入院方面的敏感度為76．0 － 87．5％，特異性水平為85％。

隨著DL算法在HF患者管理領(lǐng)域越來(lái)越多的應(yīng)用，以及心血管醫(yī)學(xué)的快速發(fā)展，DL有可能為醫(yī)療健康領(lǐng)域的新一代預(yù)測(cè)方法鋪平道路，這種方法可以自動(dòng)參與治療規(guī)劃的基本過(guò)程，幫助識(shí)別復(fù)雜和異構(gòu)數(shù)據(jù)集中的隱藏信息，有效支持臨床醫(yī)生的日�；顒�(dòng)。

要使DL成為臨床實(shí)踐的一部分，還需要妥善解決一些挑戰(zhàn)，比如數(shù)據(jù)高度異構(gòu)、患者數(shù)量有限、訓(xùn)練數(shù)據(jù)集差異等，包括所需經(jīng)濟(jì)投入，以及立法監(jiān)管、倫理問(wèn)題。但挑戰(zhàn)也帶來(lái)了新的機(jī)遇和進(jìn)一步研究的需要，以提供更多證據(jù)，證明這些算法正在轉(zhuǎn)化為更好的患者護(hù)理質(zhì)量、改善結(jié)果和醫(yī)療成本降低。

參考材料：

Marco Penso， Sarah Solbiati， Sara Moccia ＆ Enrico G． Caiani， et al． Decision Support Systems in HF based on Deep Learning Technologies ［J］． Digital Medicine in Heart Failure， 2022， （2）．

【責(zé)任編輯：蘇夏】

——本公眾號(hào)所有圖文，未經(jīng)許可，嚴(yán)禁轉(zhuǎn)載！

如需轉(zhuǎn)載，請(qǐng)?zhí)崆芭c編輯聯(lián)系取得轉(zhuǎn)載許可。否則視為侵權(quán)！

       原文標(biāo)題 : 利用AI預(yù)測(cè)或可改善心衰再入院率（下）