这篇叙述性综述旨在使临床医生了解如何将数字健康创新和人工智能应用于心血管预防的临床路径中。我们描述了一个案例，突出了辅助性人工智能在偶然检测冠状动脉钙化、移动应用程序改善患者依从性/参与度、大型语言模型增强纵向患者沟通和护理、以及这些技术成功采用的限制和策略。
引言
世界卫生组织（WHO）鼓励医疗系统优先开发、评估、实施和扩展数字健康创新（DHI），并将这些新技术整合到现有的医疗系统基础设施中。同样，2022年，美国食品药品监督管理局（FDA）委托编写了一份文件，重点关注推进数字健康领域的进展，并强调了DHI在提高未服务人群获得医疗服务方面的潜力。这尤其适用于心血管疾病（CVD），其仍然是全球死亡的主要原因。生活方式的改变和有效预防疗法的依从性是CVD预防和管理的核心，这些可以通过先进技术来增强。DHI是指通过互联网、可穿戴设备、移动应用程序和利用大数据及人工智能的新兴计算方法提供的医疗保健。人工智能（AI）被定义为机器模仿人类智能行为或执行通常需要人类智能的任务的能力（图1）。AI存在一个连续体，范围从机器重复许多人类任务（辅助）、使人类能够做超出自身能力的事情（增强）到完全自主完成任务而无需人类干预（自主）。过去十年中，利用AI改进医疗诊断和风险评估的应用显著增加。自FDA首次审查AI设备以来，已有超过800种临床AI辅助算法获得批准，其中心血管疾病是FDA批准的AI算法中排名靠前的专科之一。
图1：人工智能概述。
A 深度学习是机器学习（ML）的一个子集，而机器学习又是人工智能的一个子集。B 两层隐藏层的ML卷积神经网络（CNN）架构。超过三层即为深度学习。C 逻辑回归与CNN。传统的冠状动脉疾病风险估计使用逻辑回归模型，在数据线性可分的情况下表现良好（C），但在复杂情况下表现不佳（D）。ML可以生成更复杂的决策边界（E）。
技术进步，特别是DHI和AI，可能使临床医生能够根据患者的特定需求量身定制治疗方案，实现精准医疗并提高心血管健康。鉴于这些技术进步的速度及其对临床实践的影响，本叙述性综述旨在使临床医生具备基本的理解和应用这些技术的能力。我们描述了一个案例，突出了（1）辅助性AI在胸部CT扫描中偶然检测冠状动脉钙化（CAC），（2）临床决策支持系统（CDSS）支持指南指导的药物治疗依从性，（3）移动应用程序提高患者依从性和参与度，（4）大型语言模型增强患者的健康指导，以及（5）这些技术成功采用和治理的策略。
案例片段1：Mr. Anthony Imagine (A.I.)
Mr. A.I. 是一位58岁的男性，长期患有高血压和烟草使用障碍，因最近在急诊科就诊时出现呼吸急促而来到初级保健诊所。在急诊科，进行了一次非心电图门控、无对比剂的胸部CT扫描，结果显示右下叶肺炎，他因此接受了抗生素治疗并出院。现在他感觉恢复到了基线状态。他从未接受过常规的预防性护理。基于他在急诊科接受的检查，是否有使用AI筛查心血管疾病的作用？
人工智能在动脉粥样硬化性心血管疾病的初级预防中的应用
Mr. A.I. 在呼吸急促的检查中进行了无对比剂的胸部CT扫描。在他的非门控胸部CT扫描中筛查冠状动脉钙化（CAC），称为“偶然性CAC”，提供了早期识别动脉粥样硬化性心血管疾病（ASCVD）风险的机会（图2）。自动检测偶然性CAC是通过深度学习模型来量化非心电图门控胸部CT上的血管特异性CAC评分实现的。一些AI-CAC模型使用两阶段过程进行CAC评分，例如解剖注册图谱或定义冠状动脉解剖并区分冠状动脉和非冠状动脉钙化的边界框（例如瓣膜钙化）。然而，目前最常用的算法使用单个卷积神经网络（CNN）进行端到端的方法。该算法在斯坦福医院内部验证，并在美国和拉丁美洲四个地理位置不同的地点外部验证。检测任何CAC（≥1 Agatston单位 [AU]）的诊断性能在所有站点都很高（敏感性范围：82%-94%，阳性预测值 [PPV] 范围：87%-100%）。检测CAC ≥100的特异性和PPV在所有站点也很高（特异性范围：93%-100%，PPV范围：86%-93%）。
图2：人工智能在常规非心电图门控胸部CT上自动识别偶然性CAC，并使用临床决策支持系统（CDSS）。
EHR 电子健康记录，CAC 冠状动脉钙化，HbA1C 血红蛋白A1C，UACR 尿白蛋白肌酐比值。
CAC检测在动脉粥样硬化性心血管疾病（ASCVD）风险评估中优于现有的血清生物标志物和其他成像模态。临床实践中使用的CAC评分研究采用心电图门控成像（在RR间隔的60%-80%期间采集）以最小化钙化的高估和低估。然而，最近的研究表明，在用于非心脏目的的非心电图门控胸部CT扫描中，发现CAC同样能预测未来冠心病的风险。多个心脏病学和放射学指南建议在非门控扫描中常规报告CAC。中度至重度偶然性CAC与专用CAC扫描中的Agatston评分≥100相关，这是指南建议的患者-医生讨论启动他汀类药物的指征。尽管有这些推荐，但放射科医生对偶然性CAC的报告不足。主要原因是（1）缺乏对报告偶然性CAC指南推荐的意识，（2）认为偶然性CAC不会显著影响临床决策，（3）放射科医生对准确分级偶然性CAC缺乏信心。为了克服放射科医生报告不足的问题，自动化检测和报告偶然性CAC提供了一种技术支持的方法，以确保普遍报告。由于无对比剂胸部CT成像的频率远高于专用冠状动脉钙化评分，因此在这些研究中报告CAC提供了机会，可以在适当选择的患者中扩大ASCVD风险信息的提供。NOTIFY-1项目进一步证明，偶然性CAC的机会性筛查随后通知医生和患者，导致适当分配他汀类药物处方的显著增加。初级保健医生和患者对偶然性冠状动脉钙化的沟通表示担忧。更广泛报告偶然性CAC评分和通知的最大障碍包括下游临床医生跟进负担、临床医生理解不足、患者焦虑和不适当的下游检查。
案例片段2：AI偶然性CAC报告的结果量化得分为196。医疗系统如何设置一个系统，以通知相关方进一步的风险评估和预防疗法的建议？
临床决策支持系统
在管理像Mr. A.I.这样在胸部CT影像中发现偶然但具有临床意义的结果（即中度至重度或偶然性CAC评分≥100）的患者时，如何分享这些信息以及谁将在下一步临床管理中承担责任是一个问题。关于在发现偶然性CAC后如何向开具检查的临床医生或护理团队传达未来的ASCVD风险，目前还没有共识。一种导致他汀类药物处方增加的方法是通过发送冠状动脉钙化评分图片通知临床医生，正如NOTIFY-1项目所示。实施计算机化的CDSS可能会提高对临床指南的依从性、患者安全和支持成本控制。然而，该系统的缺点是增加了临床医生的负担、时间和缺乏明确的下一步管理行动。关于如何沟通偶然性CAC相关风险的研究正在进行中。一种潜在的方法是使用护士导航员领导一个心血管代谢诊所或转介给预防心脏病专家。
CDSS旨在通过增强医学决策中的目标临床知识、患者信息和其他健康信息来改善医疗保健交付。通常，CDSS由一个软件警报组成，该警报使用输入的患者特征来得出循证建议，从而告知临床决策过程。CDSS还包括称为最佳实践建议（BPAs）的警报通知系统，这些警报可能是“中断式”的，需要临床医生主动确认才能继续，也可能是“非中断式”的，即在过程中被动显示。BPAs的实施与工作流程的改进有关，包括他汀类药物的启动，这在基于电子健康记录（EHR）的临床医生警报中有所增加。
CDSS的一个优势是可能增加对临床预防指南的依从性、随访和治疗。为了防止“警报疲劳”，即过多相对不重要的警报或建议导致临床医生无论重要性如何都忽略它们，关键警报可以通过分层警报系统优先处理，减少对非关键指征的干扰警报。为了防止过度依赖CDSS并确保临床医生在协助临床管理时的自主权，系统设计不应过于“规定”或确定性，以确保持续评估警报的影响。
直接通过个人健康记录（PHR）向患者提供支持工具，可能有助于提供以患者为中心的护理。当连接到EHR时，个人健康记录（PHRs）可以促进双向关系，即患者直接输入的信息可以提供给他们的临床医生，而EHR中的信息可以传输到PHR供患者查看。虽然这种方法的成功取决于患者的计算机素养，但它支持共享决策，并允许患者参与自己的护理。
案例片段3：他的初级保健医生不确定如何管理他的整体心血管风险，并将他转介到由心血管代谢协调员管理的心血管预防/心血管代谢诊所。AI能否提高此类诊所的效率？
大型语言模型
大型语言模型（LLMs）是经过大量文本训练的AI模型，能够识别、总结、翻译、预测和生成内容。在心脏病学中，这些模型为帮助患者、临床医生和研究人员提供了多种机会。尽管医学中的LLMs仍处于发展阶段，但不久的将来，AI和LLMs可能会既增强传统门诊访问，又成为传统门诊访问与医学监督的家庭护理之间的桥梁。
在不久的将来，LLMs可能有助于解释和传达来自可穿戴设备和家庭传感器的见解（如早期不良事件检测）、做出基本的分诊决策并协调后续护理（图3）。LLMs在起草患者问题的回答方面表现出色，这些回答被患者评为高质量且比医生的回答更具同理心。对于Mr. A.I.，临床医生可以开具AI辅助教练，作为生活方式改变的激励者，提供饮食习惯和体力活动的反馈，鼓励药物依从性，并收集可用于提高下次临床访问效率的信息。在心血管代谢诊所就诊时，经过医学培训的LLMs可能能够承担重复任务的负担，如文档记录，以便临床医生有更多时间照顾患者。例如，LLMs可以进行图表审查并在新患者会诊前预填充笔记中总结要点。它们还可以通过创建基于转诊指征的问题列表、鉴别诊断和计划来增强核心医学知识。在就诊过程中，语音识别LLMs可以作为实时记录员，区分会诊中参与者的声音。在需要语言翻译的情况下，这些模型还可以充当翻译，而无需人类翻译。它们还可以总结临床笔记并简化医疗语言，生成适合特定教育水平的术后总结和患者指示。
图3 中心图。数字健康创新（DHI）和人工智能（AI）在心血管护理中的应用。
尽管LLM响应需要由临床医生审核和编辑以确保准确性，但随着更多训练数据的暴露，其输出质量将随着时间的推移而提高。至关重要的是，LLMs应仅在高质量数据上进行训练，并严格审查，以防止性能漂移或随着时间的推移延续偏见。这些模型对人类批判性思维的影响以及许多伦理、法律和社会影响是当前讨论的热点。
案例片段4：不幸的是，6个月后，Mr. A.I. 在运动时出现胸骨后疼痛并向左肩放射，休息后缓解。他的症状被认为是稳定的稳定性心绞痛。他被转介进行门诊冠状动脉CT血管造影以排除左主干或多支冠状动脉疾病，并进行超声心动图检查以排除左心室功能障碍。AI能否用于辅助ECG、冠状动脉CT血管造影或超声心动图的诊断？
诊断检查（如ECG、超声心动图和冠状动脉CT血管造影）
通过保留多个人工神经元之间个体数据点的空间和时间关系，AI模型可以识别原始数据中越来越复杂的模式，最终提供有用的临床预测。例如，基于ECG的AI模型可以训练识别基础电压波形中的特定模式，如QRS复合波或ST段，或发现与临床结果（如心肌梗死、主动脉瓣狭窄或高钾血症）相关的新型模式，或预示某些后续临床结果的高风险，如房颤、死亡或室性心律失常。AI还可以集成到超声心动图软件系统中，通过提供正确的探头定位的明确指示，使未经培训的人员能够获取高质量图像。除此之外，AI可能增强医学图像的解释，辅助诊断左心室收缩功能障碍、各种心肌病（如肥厚型心肌病、转甲状腺素淀粉样变心肌病）和瓣膜性心脏病。对于冠状动脉CT血管造影（CCTA），AI已被证明可以增强软（非钙化）斑块负担的量化，并提供对这种斑块的生物学和炎症活性的洞察，从而扩大临床报告的诊断价值。CREDENCE（Computed tomogRaphic Evaluation of Atherosclerotic DEterminiNants of Myocardial IsChEmia）试验的一项二次分析比较了AI辅助CCTA分析与核心实验室解释的CCTA和分数流储备（FFR）下的侵入性冠状动脉造影。AI辅助CCTA分析能够在较短时间内（10.3±2.7分钟）准确识别和排除严重狭窄，与盲目的核心实验室解释的侵入性冠状动脉造影相比，灵敏度、特异性、阳性预测值、阴性预测值和准确性分别为94%、82%、69%、97%和86%，用于检测≥70%的狭窄。除了斑块分析，后续研究（N=750名患者，分布在五个站点）报告称，与常规CCTA评估相比，AI增强的CCTA方法使医生的诊断信心提高了两到五倍，减少了下游非侵入性和侵入性检查的需求（减少了37.1%，p<0.001），并增加了预防性疗法（如阿司匹林和他汀类药物）的处方（分别增加了23.0%和28.1%，p<0.001）。进一步的研究表明，AI辅助的动脉粥样硬化斑块分析在预测主要不良心血管事件（MACE）和急性冠状动脉综合征的罪犯病变方面具有实用性。同样，基于像素强度模式的成像AI模型也已开发用于其他成像模态，如心脏磁共振和核医学模态（图4）。最后，AI模型具有提供自动化、标准化和快速临床评估的能力，超越了历史上的“基于规则”的自动化医疗诊断算法。
图4 数字健康和人工智能在心血管疾病诊断检查中的应用。
确保数字健康创新和人工智能的安全和广泛实施
DHI和AI的技术进步将继续融入日常临床护理。虽然这些进步有可能提高效率、准确性和患者满意度，但在确保其安全和广泛实施时仍存在一些挑战。
图5 多方面使用技术、DHI和AI促进以患者为中心的心血管护理。
为了探索原始数据中正常与病理模式的变化，开发新的AI模型需要大量的数据集，包含数千甚至数百万名患者的临床诊断或结果已知的数据（即标记数据）。从临床存储库中提取原始数据用于AI模型验证可能是一个昂贵的过程，需要专家信息技术支持。即使拥有如此大的数据集，大多数AI模型的可训练参数数量也可能超过训练队列的大小几个数量级。在模型开发过程中必须特别注意，以防止模型权重对单个数据集的过度拟合。测试和验证新的AI模型至关重要，特别是在多样化的患者人群中，以确保可重复性。获取平行数据集进行AI模型验证通常需要多个中心之间的合作和数据共享，这可能受到医院政策或患者保护健康信息的法律限制。对AI模型商业化的兴趣也导致许多团体扣留训练模型的发布，进一步阻碍了合作努力。另一种实现方式是在部署模型的地点前瞻性地规划性能检查。虽然对于某些算法（如AI计算的CAC评分）来说，这可能不是必需的，因为其在不同人群和时间上相对稳定，但对于随着人群变化和新数据可用而可能变化的风险评分和语言模型来说，这一点更为重要。
患者和临床医生对DHI/AI的怀疑仍然存在，原因多样，例如对医疗保健和行业合作中的竞争利益的担忧、AI的有限可解释性以及对模型性能的担忧，这些可以通过多种方式缓解。使用任何DHI/AI技术应向参与其使用的患者和临床医生声明为标准护理。例如，一旦借助AI报告偶然性CAC，应在每份放射学报告的末尾发布声明：“此报告是在FDA验证和批准的专有AI算法的帮助下创建的，并由认证的放射科医生监督。”管理美国医疗保健的机构应修订有关数据科学和医学教育课程的法律和法规，以进一步学习DHI/AI在医学中的作用。为了促进公平，应纳入多样化的利益相关者（例如，通过美国心脏协会或美国心脏病学院的女性心脏病工作组，以及黑人心脏病协会）参与开发数字健康系统，并鼓励针对代表性不足群体的目标推广。关于在常规临床路径中使用AI的行政障碍和法律障碍阻碍了成功的实施，例如谁负责算法出错的情况。一些可能的解决方案包括创建标准化的数据共享协议、访问匿名数据和验证，确保个人健康记录加密。此外，应考虑让更多具有DHI/AI背景的医生利益相关者参与每个系统的监管机构（例如联邦贸易委员会、FDA、当地机构审查委员会和倡导团体），并推动对AI辅助服务所需报销结构和政策的更改。
新兴领域
AI最终将渗透到心血管护理的各个方面。虽然整个案例中的心血管护理可以通过不使用DHI/AI来实现，但这些技术的纳入是一种附加工具，可以改善患者的体验和临床效率，减轻临床医生的负担。除了上述案例中的用途外，还有新兴领域，如多模态AI，可以从多个结构化和非结构化来源（例如，不仅仅是解释特定机器的ECG，还包括不同格式的ECG，如照片副本或PDF，并将其与其他临床数据综合）合成信息，可能在未来在临床心脏病学中具有重要的应用。未来的医疗团队可能是多学科的人类临床医生和智能机器的合作团队，共同为患者做出最佳决策。作为临床医生，我们的责任是确保AI改善患者的结局，同时保护他们免受潜在的危害，如性能变化、过度拟合和偏见。同样，通过现在参与，我们可以帮助确保AI通过接管重复任务来改善临床医生的心脏病学，使临床医生能够专注于患者护理的人文方面。
结论
包括WHO在内的多个国际组织已经认识到实施技术、DHI和AI以辅助预防心血管护理和管理的日益增长的需求。这个基于案例的方法展示了各种技术进步在整个患者心血管护理阶段的实用性。在不久的将来，DHI和AI可能在整个个体与医疗保健的互动中使用，以减轻患者和护理人员的负担，减少获得护理的结构性不平等，并提高循证护理的效率。理想情况下，这些工具可以协同使用，以提高质量、促进健康公平并提供增强的预防心血管护理。
【全文结束】
(全文结束)