導讀

61．3％的心衰患者出院后1年內(nèi)再入院，早期預(yù)測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介紹了深度學習（Deep Learning，DL）技術(shù)在HF診療中的應(yīng)用現(xiàn)狀，文章通過聚焦診斷、預(yù)后和再住院風險預(yù)測，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)測的相關(guān)內(nèi)容請看上一篇：《利用AI預(yù)測或可改善心衰再入院率（上）》

04

預(yù)測再入院有助于定制和調(diào)整患者出院后遠程支持

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，這對患者的生活質(zhì)量以及醫(yī)療系統(tǒng)都產(chǎn)生了負面影響。開發(fā)有效工具預(yù)測患者的再住院概率和原因有助于制定和調(diào)整患者出院后的遠程支持和教育。此外，早期識別高�；颊邔⒏纳瓶赡芡炀壬�命的隨訪時間安排。

自患者出院起，EHR包含的大量數(shù)據(jù)可支持對患者預(yù)后及再入院概率的預(yù)測。一些研究探討了將DL模型應(yīng)用于此的可能性，比如CONTENT。它是一個基于RNN，旨在預(yù)測30天再入院率的DL模型。它利用5393名充血性HF患者的EHR進行開發(fā)，嵌入了與患者疾病、實驗室檢查、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，平均查準率－查全率曲線AUC為38．94％，AUC為61．03％，準確度為69．34％�；�于住院和門診患者訪問期間獲得的數(shù)據(jù)開發(fā)的深度統(tǒng)一網(wǎng)絡(luò)模型的結(jié)果略有改善，預(yù)測HF患者30天再入院的平均AUC為70．5％，準確度為76．4％。

將基于DL的方法應(yīng)用于來自EHR的大數(shù)據(jù)還可以識別HF患者的亞型。Xiao和同事的研究能夠識別出20個充血性HF患者亞組，每個亞組可能表現(xiàn)出不同的合并癥，這些合并癥可能影響該綜合征的進展，從而影響再次入院的風險。這種方法可以為個性化和有針對性的家庭護理路徑的識別和開發(fā)鋪平道路。

遠程監(jiān)測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險。目前的方法主要包括使用可植入設(shè)備進行遠程監(jiān)測，如CardioMems和IN－TIME方法已被2016年歐洲心臟病學年會（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)的進步，非侵入性遠程醫(yī)療解決方案，包括基于電話的監(jiān)測和教育、可穿戴和移動健康，已經(jīng)得到實施和測試。

TIM－HF2（心力衰竭的遠程醫(yī)療介入管理II）前瞻性隨機對照試驗是一個成功的無創(chuàng)多參數(shù)遠程患者監(jiān)測的例子。796名患者被分配到遠程監(jiān)測組，775名患者被分配到對照組。該研究涉及多種每天測量和傳輸?shù)纳�理參�?shù)，包括體重、血壓、心電圖、心率和外周毛細血管氧飽和度，以及健康狀況的自我評分，促進遠程醫(yī)療中心與心臟病專家、全科醫(yī)生的合作。遠程醫(yī)療軟件分析收集到的數(shù)據(jù)，并將患者劃分風險類別。

結(jié)果表明，該研究有效地支持了高�；颊咦R別，加速了有針對性的干預(yù)，從而減少了1年隨訪期天數(shù)和全因死亡率。最近的一項研究進一步改進了這些結(jié)果，實現(xiàn)了基于TIM－HF2數(shù)據(jù)庫的DL神經(jīng)網(wǎng)絡(luò)模型，使平均AUC值達到0．84。

可穿戴設(shè)備還可以促進對患者出院后健康狀況的持續(xù)監(jiān)測，從而為改善遠程監(jiān)測和醫(yī)療保健提供機會。LINK－HF研究旨在評估使用佩戴在胸部的可穿戴傳感器預(yù)測導致HF患者再次住院的病情惡化的準確性。設(shè)備連續(xù)采集心電圖、加速度信號、皮膚阻抗和皮膚溫度數(shù)據(jù)，監(jiān)測心率及其變異性、心律失常負荷、呼吸頻率、體力活動和身體姿勢。收集到的數(shù)據(jù)被上傳云端進行分析�；�于相似度的ML算法生成一個多變量指標來反映獲得的重要參數(shù)的變化程度。該平臺在預(yù)測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)域越來越多的應(yīng)用，以及心血管醫(yī)學的快速發(fā)展，DL有可能為醫(yī)療健康領(lǐng)域的新一代預(yù)測方法鋪平道路，這種方法可以自動參與治療規(guī)劃的基本過程，幫助識別復雜和異構(gòu)數(shù)據(jù)集中的隱藏信息，有效支持臨床醫(yī)生的日�；顒印�

要使DL成為臨床實踐的一部分，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、訓練數(shù)據(jù)集差異等，包括所需經(jīng)濟投入，以及立法監(jiān)管、倫理問題。但挑戰(zhàn)也帶來了新的機遇和進一步研究的需要，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）．

【責任編輯：蘇夏】

——本公眾號所有圖文，未經(jīng)許可，嚴禁轉(zhuǎn)載！

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

       原文標題 : 利用AI預(yù)測或可改善心衰再入院率（下）