人工智能技术在高血压诊疗中的应用进展

屈展 刘凯

(1.四川大学华西医院心内科，四川 成都610041；
2.四川大学华西临床医学院，四川 成都610041)

高血压的患病率随人口老龄化而增加，每年导致全球数百万人过早死亡。高血压知晓率、治疗率和达标率不足是中国高血压管理的主要障碍。人工智能(artificial intelligence，AI)的出现揭示了高血压管理的新策略，如基于远程医疗和大数据驱动的数字医疗。大量证据表明AI在高血压管理中的应用是可行的，可预见的趋势是将各种可穿戴传感器和智能手机整合实现连续血压监测简便化，同时AI模型算法可进一步验证新的预测和预后工具，验证有效后即可运用于临床实践，这将极大地便利高血压患者的临床决策与预后管理，大大提高其生活质量。这些技术的进步使慢性病管理朝着数字化管理的未来模式迈出了一大步。现就近期高血压疾病诊疗中AI的应用进行综述。

AI是对人的意识和思维信息过程的模拟并与机器结合，使机器能以人类智能相似的方式作出反应，机器学习(machine learning，ML))和深度学习(deep learning，DL)是AI的两种常见子类型。近年来ML在心血管医学中的研究有所增长，但与ML相比，DL更新、更复杂，具有不同的优势和局限性[1]。

ML算法模型通过研究已给定的训练数据集与变量之间的机制和关联进行“自我学习”，完成学习后可对新出现的数据集进行预测分析。ML与传统统计(如多变量分析)用于不同的目的。后者倾向于强调推理，即基于样本得出关于总体的结论，而ML则强调预测和决策，为了进行预测分析，ML需大量数据用于训练和测试。ML可大致分为监督学习和无监督学习。监督学习是一种有明确目的的训练方式(如预测高血压卒中发生)，而无监督学习是无明确目的的训练方式(如发展为高血压的危险因素)[2]。依赖于数据建模和数据质量的不同，多种ML技术可使用，如判别分析、k最近邻域法、支持向量机、决策树和朴素贝叶斯法等。

DL也叫深度神经网络学习，用于学习样本数据(文字、图像和声音)的内在规律和表示层次，与ML算法相比，在图像和声音分析方面发展迅速[2]。包括深度神经网络、循环神经网络和卷积神经网络。鉴于电子健康记录数据库、心血管成像和来自可穿戴技术的可用数据的增加，DL分析大量数据和预测不良结果或隐藏表型的能力对于精准心血管医学的发展很有希望。然而，在医学中使用DL确实存在重大挑战。首先，DL因其“黑盒”方法而广为人知，这意味着由于DL设计的复杂性和缺乏标准化，DL的结果可能不容易解释。其次，使用多层神经网络，非线性分析数据集中的各种变量可能会导致过度拟合，从而导致结果的泛化性降低，可通过提供足够数量的训练数据集、优化隐藏层数和Dropout技术来改善这种情况[3-6]。

在医疗科研中，AI工具既能用于高血压患者的预测、诊断以及治疗方案的选择，还可探索复杂数据集之间有意义的关系，以实现个性化治疗和护理。AI算法有可能对未来高血压管理是有益的，但值得警惕的是，AI的这种非线性复杂算法还未完全成熟且未经过大规模验证，尚未为临床实践作好准备。

Huang等[14]对中国农村地区3 054例35岁受试者利用传统逻辑回归模型和ANN模型预测高血压发生作比较，ANN构建的预测模型比传统逻辑回归模型更精确，曲线下面积(area under the curve，AUC)为0.9。众多研究者[15-16]发现当纳入遗传学基因数据后，采用支持向量机算法的ML通过整合环境和遗传因素能提高预测高血压发生的准确性。AI也在大型人群队列研究中进行了预测高血压的应用，Ye等[17]使用k最近邻域法的ML分析电子健康记录数据(年龄、性别、种族和基础疾病等)，823 627例受试者数据作为回顾性队列预测1年高血压事件发生风险，AUC为0.917；
680 810例受试者作为前瞻性验证队列预测高血压，AUC为0.870；
2型糖尿病、血脂异常、心血管疾病、精神疾病、用药和社会经济决定因素被认为与原发性高血压相关。另一项针对18 258例日本人群受试者体检数据的研究[18]表明，ML可通过使用人口统计数据、腰围、血压、血常规检查、基础病史、吸烟和饮酒情况来预测高血压的发生，AUC为0.877。Sakr等[19]使用ML分析运动跑步机压力测试数据，研究比较六种ML技术LogitBoost 、贝叶斯网络分类器、局部加权朴素贝叶斯、ANN、支持向量机和随机森林，发现随机森林模式(运动代谢当量、静息和峰值血压)预测高血压事件更准确，AUC为0.93。这些研究提示AI有可能利用体检数据用于预测高血压发生的风险，通过早期干预来预防或延缓高血压的发展。

AI在高血压管理中的应用主要涉及心血管疾病风险评估、最佳血压治疗目标、高血压控制不佳导致不良事件发生风险。利用电子健康档案中提取的数据包括:人口统计数据、体重指数、血压、合并症和血清肌酐、钾、肌钙蛋白和脑钠肽水平。Sun等[20]使用ML算法开发了一个风险预测模型，该模型可准确预测1 692例患者血压控制不佳的风险和时间，准确率为77.3%。Mohammadi等[21]使用ML分析人口统计数据、生命体征、常规血液和尿液实验室数据，可预测高血压患者3个月内血压不达标风险，AUC为0.719。Lacson等[22]使用ML和随机森林算法分析SPRINT的数据，ML筛选出包括尿白蛋白/肌酐比值、估算的肾小球滤过率、年龄、血清肌酐、胆固醇、小波变换的收缩压信号、高密度脂蛋白、收缩压的第90百分位和甘油三酯水平预测心血管相关结果，AUC为0.71。Wu等[23]使用ML方法构建一个包括左心房内径、高密度脂蛋白胆固醇、内皮素-1、右臂舒张压、右腿收缩压、左腿收缩压、右腿舒张压、左臂收缩压、夜间平均动脉血氧饱和度、既往最高收缩压和尿素等11个临床变量模型预测终末期肾病发生率和全因死亡率，AUC为0.76(95%CI0.66～0.85)。相比经典的心血管事件评分模型，AI的准确性还需提高。

为了解不同人群对不同降压药物的敏感性差异，Chunyu等[24]应用数据挖掘方法，通过比较五种常用药物(厄贝沙坦、美托洛尔、非洛地平、氨氯地平和左旋氨氯地平)降压达标和不达标的病例，获得预测治疗反应的临床特征谱，然后基于ML的结果来实现可视化的相对权重矩阵。在所有生物标志物中，无论药物类型和类别如何，血清肌酐都是最重要的指标，而空腹血糖水平是钙通道阻滞剂有效性的第二重要指标[24]。Duan等[25]使用X-learner方法构建强化血压治疗预测个体治疗效果的模型，同时检验该方法与传统逻辑回归法预测3年心血管事件风险优劣。结果发现逻辑回归的校准更差，它高估了强化治疗导致的心血管事件绝对风险降低(absolute risk reduction，ARR)，预测和观察到的ARR之间的斜率为0.73(95%CI0.30～1.14)，而 X-learner的ARR为1.06 (95%CI0.74～1.32)，理想情况下为1。使用逻辑回归预测的ARR通常与基线预测心血管风险成正比，而X-learner观察到个体治疗效果通常与基线风险不成比例。ML方法可改善从临床试验数据中对个体化治疗效果估计的区分和校准[25]。Aziz等[26]在药物依从性评估方面，使用ANN、随机森林和支持向量回归法，对160例高血压受试者的数据进行了检查和预测依从性评分，影响因素包括婚姻状况、教育程度、职业、种族、宗教、月收入和过量用药，支持向量回归法准确性最高。

尽管目前的AI研究仍处于早期阶段，未来AI引导的高血压研究允许研究人员通过将ML或DL应用于具有多模式输入的大数据，来探索导致高血压发病机制和病理生理学的新风险因素，联合可穿戴设备提供高血压高效个性化的诊断管理，最终进一步降低高血压及其并发症的发生率。

猜你喜欢收缩压心血管血压“心血管权威发布”公众号简介心血管病防治知识(2022年23期)2022-11-10COVID-19心血管并发症的研究进展现代临床医学(2022年3期)2022-06-06稳住血压过好冬基层中医药(2021年11期)2021-06-05老年人群收缩压与射血分数保留的心力衰竭预后的关系心肺血管病杂志(2019年1期)2019-04-22血压偏低也要警惕中风华人时刊(2018年23期)2018-11-18三种血压测量法诊断标准各不同江苏卫生保健(2018年11期)2018-02-13血压的形成与降压解放军健康(2017年5期)2017-08-01健康年轻人收缩压高会增加动脉硬化风险中国新闻周刊(2017年16期)2017-06-15强化降低收缩压不增加卒中风险中国循证心血管医学杂志(2017年11期)2017-01-12改良的心血管健康行为和因素评分与老年人短时收缩压变异性的关系中国循环杂志(2015年10期)2015-12-24