心血管疾病人工智能应用两大研发方向.pdfVIP

心血管疾病人工智能应用两大研发方向 面向急性心肌梗死的智能心电图诊断 一、背景及意义 急性心肌梗死（Acute myocardial infarction ，AMI）是内科急诊 的常见急危重症，也是手术科室常见的并且致命的并发症。AMI 按照心电 图诊断，分为 ST 段抬高心梗和非 ST 段抬高。尽管两者治疗策略不尽相 同，但是不论ST 段是否抬高，AMI 能从早期侵入性策略和强化的抗血栓 药物治疗中获益。如何尽早地诊断 AMI 无疑是此类病人获益最大的保证。 然而，AMI 的早诊断在临床实践中极具挑战性。根据第四次 UDMI， 符合快速诊断的条件有心肌坏死标志物、缺血性症状和新发的心电图改 变。 第 1 页 共 8 页 很显然，病人的症状和病史是首次医疗接触（ first medical contact，FMC）人员能在第一时间内获取的有价值的信息。但是，以胸痛 为首要表现的疾病超过20种，涉及循环、呼吸、消化、神经、肌肉、皮 肤等多个系统，疾病谱既包括心肌梗死、主动脉夹层、急性肺栓塞等威 胁生命的重大疾病，也包括皮肤疱疹、胃食管返流等低风险疾病。人口 统计资料、心脏危险因素、胸痛和体格检查可以辅助决策和风险评估， 但不足以确定AMI 的存在与否。 以心脏肌钙蛋白（cardiac troponin，cTn）为代表的生物标志物是 诊断AMI 的必要条件。传统的cTn存在4-6小时的“阴性”窗口期，这 使得早期就诊（＜2h）的病人无法得到阳性证据支持。hs-cTn 的应用将 “阴性”窗口期降低至3小时内，然而床旁的快速检测仪仍需至少20分 钟。 ECG 是在众多场景中诊断 STEMI 最快的客观依据。根据中国胸痛中 第 2 页 共 8 页 心统计数据，首份ECG平均在分诊后5min 内完成。在临床实践中，医护 人员甚至在获取病史信息、体格检查的同时可进行心电图检查和结果判 读。然而ECG 的诊断AMI 的效率并不高，错误诊断率5.9%至29%，假阳 性率11%-14%，假阴性率5-28%。目前已有研究表明，人工智能识别心电 图能显著提高准确率，减少时间，降低人力成本。 本项目拟采用大样本深度学习的方式，利用首次医疗接触 ECG 自动 预测胸痛病人急性心梗的诊断，尽早给与强化抗血栓治疗，尽快转运至 PCI医院、激活导管室、启动会诊，以使病人得到最大获益。 二、研发流程 1. 数据收集：急性胸痛病例资料，包括基本信息和首次医疗接触心 电图； 2. 数据处理：对病例数据进行清洗、脱敏； 3. 数据标注：逐份人工浏览，根据第四次UDMI 的标准将心电图标 第 3 页 共 8 页 注为AMI和非AMI、STEMI和NSTEMI； 4. 机器学习：采用深度学习的方式，建立通过分析心电图结合基本 临床信息，预测诊断结果的模型； 5. 模型验证：验证对入院首份心电图分类的敏感性、特异性、阳性 预测率、阴性预测率及准确性（AUC）。考虑采用多中心数据进行外部检 测，验证模型的普适性。 三、应用场景 本心电图智能检测模型整合于信息化心电图网络，配合胸痛中心“心 电一张网”的建设目标，可实现胸痛病人院前-急诊-院内的实时诊断， 具体应用于： 1. 远程心电图传输辅助急救人员的院前判断和转运建议，减少胸痛 中心会诊人员的读图工作量； 2. 胸痛中心首份心电图的判断和分诊建议，对于急需侵入性治疗的 第 4 页 共 8 页 高危病人，减少延误时间，对于非AMI 的病人，加快进行其它检查的周 转流程； 3. 住院病人 （包括手术室和非心内科病区）急性胸痛的判断和会诊 建议。 第 5 页 共 8 页 冠心病介入影像的智能分析 一、背景和意 冠状动脉介入是以影像分析为核心的操作过程，不仅是明确冠状动 脉病变严重程度的主要方式，而且是治疗血流阻塞性