劉 帥，朱華棟

中國(guó)醫(yī)學(xué)科學(xué)院北京協(xié)和醫(yī)院 1急診科 2疑難重癥及罕見病國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100730

我國(guó)每年因心臟驟停而死亡的人數(shù)達(dá)50萬(wàn)以上，位居全球之首[1]。而院前心臟驟停猝死率較高的原因之一是難以對(duì)患者進(jìn)行及時(shí)搶救。心臟驟停的及時(shí)識(shí)別、啟動(dòng)胸外按壓以及電除顫是心肺復(fù)蘇(cardiopulmonary resuscitation，CPR)的關(guān)鍵。隨著人工智能技術(shù)的日益發(fā)展，CPR領(lǐng)域也涌現(xiàn)出越來(lái)越多的智能化工具及輔助機(jī)器，指導(dǎo)CPR的實(shí)施，提升復(fù)蘇質(zhì)量，改善患者預(yù)后。

人工智能是計(jì)算機(jī)學(xué)科的一個(gè)分支，是研發(fā)模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)學(xué)科。機(jī)器學(xué)習(xí)是人工智能領(lǐng)域的一個(gè)重要組成部分，采用計(jì)算機(jī)算法對(duì)龐大數(shù)據(jù)庫(kù)中的特征值進(jìn)行分析，并不斷優(yōu)化算法，從而實(shí)現(xiàn)對(duì)某些臨床結(jié)局的預(yù)測(cè)。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，越來(lái)越多的算法不斷涌現(xiàn)，如近鄰法、Logistic回歸、Apriori、XG-Boosting、支持向量機(jī)、隨機(jī)森林以及決策樹等。深度學(xué)習(xí)是近幾年不斷發(fā)展的一項(xiàng)能夠模擬人腦進(jìn)行分析的人工智能神經(jīng)網(wǎng)絡(luò)算法[2]。目前，一些人工智能技術(shù)及算法已被Google、NetFlix以及亞馬遜等科技公司開發(fā)，用于改善和提升人類的行為。在移動(dòng)醫(yī)療領(lǐng)域，包括遠(yuǎn)程感應(yīng)、可穿戴設(shè)備等在內(nèi)的多種人工智能技術(shù)已參與到醫(yī)療決策中[3]。同時(shí)，越來(lái)越多的研究者開始應(yīng)用計(jì)算機(jī)算法模型，對(duì)涉及多個(gè)變量的、復(fù)雜的、非線性數(shù)據(jù)進(jìn)行統(tǒng)計(jì)學(xué)分析以建立預(yù)測(cè)模型，并應(yīng)用其在不同臨床場(chǎng)景中進(jìn)行患者結(jié)局的預(yù)測(cè)[4]。本文針對(duì)人工智能在心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)、快速識(shí)別、應(yīng)急反應(yīng)以及預(yù)后預(yù)測(cè)中的應(yīng)用進(jìn)行闡述，以期為臨床提供參考。

1 心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)

研究證實(shí)，對(duì)電子病歷數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行算法分析后，可應(yīng)用機(jī)器學(xué)習(xí)結(jié)果對(duì)院前、院內(nèi)及普遍人群的心臟驟停風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)[5-6]。Layeghian Javan等[7]采用MIMIC(Medical Information Mart for Inten-sive Care)-Ⅲ數(shù)據(jù)庫(kù)，借助傳統(tǒng)的支持向量機(jī)、決策樹、Logistic回歸以及集合算法等，對(duì)膿毒癥患者的人口學(xué)特征、格拉斯哥昏迷評(píng)分(glasgow coma score，GCS)、急性生理與慢性健康(acute physiology and chronic health evaluation，APACHE)-Ⅱ評(píng)分系統(tǒng)、MEWS(modified early warning score)評(píng)分、生命體征以及相關(guān)實(shí)驗(yàn)室檢查等多個(gè)數(shù)據(jù)變量進(jìn)行算法分析，預(yù)測(cè)膿毒癥患者心臟驟停的發(fā)生風(fēng)險(xiǎn)，較單獨(dú)使用APACHE-Ⅱ評(píng)分系統(tǒng)或MEWS評(píng)分更具優(yōu)勢(shì)，并能夠應(yīng)用患者的生命體征、實(shí)驗(yàn)室檢查結(jié)果等進(jìn)行實(shí)時(shí)動(dòng)態(tài)的病情評(píng)估[7-8]。Wu等[9]應(yīng)用急性冠脈綜合征(acute coronary syndrome，ACS)患者的多種臨床特征進(jìn)行算法分析，實(shí)現(xiàn)了對(duì)ACS患者心臟驟停發(fā)生風(fēng)險(xiǎn)的預(yù)測(cè)。Fernandes等[10]對(duì)2011—2016年葡萄牙某急診科就診的235 826例患者進(jìn)行分析，采用Logistic回歸、隨機(jī)森林以及XG-boosting進(jìn)行建模，結(jié)果發(fā)現(xiàn)GCS、年齡以及脈搏血氧飽和度等對(duì)預(yù)測(cè)危重癥患者心臟驟停具有統(tǒng)計(jì)學(xué)意義，該數(shù)據(jù)模型可輔助預(yù)檢分診對(duì)患者病情進(jìn)行評(píng)估，從而預(yù)測(cè)患者的病情嚴(yán)重程度及猝死風(fēng)險(xiǎn)。除上述經(jīng)典算法模型外，神經(jīng)網(wǎng)絡(luò)模型在心臟驟停風(fēng)險(xiǎn)預(yù)測(cè)中的優(yōu)勢(shì)也日益凸顯[11]。研究顯示，納入患者的人口學(xué)特征、血流動(dòng)力學(xué)參數(shù)、心電圖甚至心肌MRI等影像學(xué)資料，通過人工智能神經(jīng)網(wǎng)絡(luò)，可輔助臨床預(yù)測(cè)惡性心律失常、心源性猝死的發(fā)生風(fēng)險(xiǎn)[12-13]，從而對(duì)院內(nèi)心臟驟停的發(fā)生進(jìn)行早期識(shí)別、預(yù)警及快速反應(yīng)[14]。Kwon等[15]采用深度學(xué)習(xí)算法對(duì)住院患者的心電圖進(jìn)行分析，建立了能夠預(yù)測(cè)住院患者24 h內(nèi)發(fā)生心臟驟停風(fēng)險(xiǎn)的預(yù)測(cè)模型，并將該算法置入可穿戴設(shè)備應(yīng)用于臨床實(shí)際場(chǎng)景。此外，有研究采用深度學(xué)習(xí)模型對(duì)住院患者的心率、脈搏氧飽和度、呼吸頻率、吸入氧濃度及血液pH值等進(jìn)行算法分析，預(yù)測(cè)住院患者后續(xù)是否需實(shí)施機(jī)械通氣，并輔助臨床提前準(zhǔn)備氣管插管物品及人員配備等[16]。上述機(jī)器算法模型在不同的臨床研究中表現(xiàn)出不同的優(yōu)越性，通過患者的不同臨床特征實(shí)現(xiàn)對(duì)院前、院內(nèi)發(fā)生心臟驟停的風(fēng)險(xiǎn)預(yù)測(cè)，輔助臨床醫(yī)生作出科學(xué)決策及快速反應(yīng)[17]。

2 心臟驟?？焖僮R(shí)別

無(wú)論是目擊者還是急救中心調(diào)度員，院前心臟驟停的識(shí)別均極為關(guān)鍵，這關(guān)系到胸外心臟按壓的及時(shí)啟動(dòng)。Park等[18]對(duì)108 607例院前心臟驟停猝死患者的性別及年齡、目擊者的性別及年齡、兩者間關(guān)系等信息進(jìn)行系統(tǒng)分析，并與急救中心調(diào)度員的主觀判斷進(jìn)行比較，結(jié)果發(fā)現(xiàn)機(jī)器學(xué)習(xí)具有較高的識(shí)別靈敏度(72.5%比84.1%，P<0.001)，但特異度較低(98.8%比97.3%，P<0.001)，且機(jī)器學(xué)習(xí)對(duì)心臟驟停的識(shí)別時(shí)間更短。該研究提示，與急救中心調(diào)度員相比，機(jī)器學(xué)習(xí)可更好地對(duì)院前心臟驟?；颊哌M(jìn)行識(shí)別，并在急救資源的調(diào)度中扮演重要角色[19-21]。應(yīng)用人工智能算法進(jìn)行急救電話識(shí)別，可在一定程度上縮短對(duì)心臟驟?；颊咴缙谧R(shí)別的反應(yīng)時(shí)間[20，22-23]。此外，有研究采用隨機(jī)森林模型對(duì)急診患者入院前及入院后的多個(gè)變量數(shù)據(jù)進(jìn)行分析發(fā)現(xiàn)，模型可對(duì)心臟驟?；颊哌M(jìn)行早期識(shí)別，還可對(duì)院前心臟驟?；颊?年后的存活率進(jìn)行預(yù)測(cè)，從而識(shí)別具有潛在救治價(jià)值的患者，為后續(xù)臨床診治及患者預(yù)后提供策略[24]，以優(yōu)化醫(yī)療資源配置。

3 提供高質(zhì)量心肺復(fù)蘇

胸外心臟按壓是CPR的關(guān)鍵環(huán)節(jié)。目前許多實(shí)時(shí)反饋裝置被應(yīng)用于臨床，通過監(jiān)測(cè)一些物理指標(biāo)(如按壓深度、按壓位置、按壓頻率等)及患者的生理指標(biāo)(呼氣末CO2、腦氧飽和度[25]、按壓產(chǎn)生的心電圖波形及血氧飽和度波形等)實(shí)時(shí)評(píng)估胸外心臟按壓質(zhì)量，從而指導(dǎo)CPR。相應(yīng)的遠(yuǎn)程監(jiān)控機(jī)器人可及時(shí)識(shí)別CPR階段，減少反應(yīng)時(shí)間，并可作出及時(shí)指導(dǎo)[26]。在動(dòng)物實(shí)驗(yàn)中，可應(yīng)用實(shí)時(shí)監(jiān)測(cè)的腦電圖反映CPR過程中頸動(dòng)脈的血流情況，并通過描記CO2波形圖反映胸腔內(nèi)氣道的開閉狀態(tài)，從而指導(dǎo)胸外按壓[27-28]。Suh等[29]通過動(dòng)物實(shí)驗(yàn)研究發(fā)現(xiàn)，實(shí)時(shí)反饋呼氣末CO2水平，可調(diào)整智能CPR機(jī)器人的胸外心臟按壓位置，比較應(yīng)用呼氣末CO2實(shí)時(shí)指導(dǎo)CPR的機(jī)器人與人工胸外心臟按壓的效果，前者雖未改善自主循環(huán)恢復(fù)(return of spontaneous circula-tion，ROSC)的發(fā)生率，但能夠改善獲得ROSC后48 h內(nèi)的神經(jīng)系統(tǒng)預(yù)后評(píng)分。應(yīng)用實(shí)時(shí)反饋裝置輔助雖未能改善CPR患者的預(yù)后，但可明顯改善胸外心臟按壓的頻率和深度，減少過度通氣等，提供更高質(zhì)量的CPR[30-31]。其中，實(shí)時(shí)視頻反饋裝置、語(yǔ)音反饋裝置借助按壓平板、全景攝像機(jī)等設(shè)備可實(shí)現(xiàn)對(duì)按壓全過程的監(jiān)控與指導(dǎo)[32-33]。應(yīng)用智能手機(jī)或智能手表等電子設(shè)備，可對(duì)附近的自動(dòng)體外除顫器(automated external defibrigator，AED)設(shè)備進(jìn)行定位，幫助施救者及時(shí)獲取AED并盡早啟動(dòng)電除顫[34]，同時(shí)此類電子設(shè)備可記錄患者發(fā)生心臟驟停時(shí)的生命體征、甚至心電圖等數(shù)據(jù)，有助于識(shí)別猝死及為預(yù)后決策提供指導(dǎo)。研究指出，在不終止胸外按壓的情況下，利用內(nèi)置特殊算法的AED設(shè)備對(duì)胸外心臟按壓期間的可除顫或不可除顫心律進(jìn)行分析，可為除顫提供指導(dǎo)[35-38]。研究證實(shí)，應(yīng)用除顫儀進(jìn)行心律分析可使胸外心臟按壓的停止時(shí)間縮短，從而在一定程度上提升胸外心臟按壓的分?jǐn)?shù)[39-40]。基于心電圖波形特征建立的神經(jīng)網(wǎng)絡(luò)模型，可實(shí)現(xiàn)對(duì)CPR過程中胸外心臟按壓干擾下的心電波形進(jìn)行準(zhǔn)確識(shí)別[41]，從而實(shí)時(shí)指導(dǎo)CPR過程中除顫時(shí)機(jī)的選擇。

4 預(yù)測(cè)心肺復(fù)蘇結(jié)局

絕大多數(shù)機(jī)器學(xué)習(xí)模型主要用于心臟驟停后CPR結(jié)局的預(yù)測(cè)，包括患者的生存率、死亡率、多種器官功能的恢復(fù)等[15，42]，并能夠指導(dǎo)臨床醫(yī)生作出恰當(dāng)?shù)尼t(yī)療決策[43-44]，進(jìn)行合理的醫(yī)療資源配置，以及必要時(shí)終止CPR[45]。研究顯示，對(duì)于獲得ROSC但意識(shí)障礙的患者進(jìn)行早期頭顱CT深度學(xué)習(xí)，可對(duì)CPR患者早期缺血缺氧性腦病進(jìn)行及時(shí)鑒別[46]。Hirano等[47]應(yīng)用支持向量機(jī)、隨機(jī)森林等多種算法對(duì)具有可除顫心律的院前心臟驟?；颊咛卣鬟M(jìn)行學(xué)習(xí)，其均可在不同程度上預(yù)測(cè)患者發(fā)生心臟驟停1個(gè)月后的死亡率以及神經(jīng)功能預(yù)后情況。而Harford等[43]研發(fā)的EFCN機(jī)器學(xué)習(xí)模型，除可在一定程度上對(duì)心臟驟?；颊叩纳窠?jīng)功能預(yù)后及死亡率進(jìn)行預(yù)測(cè)外，還能識(shí)別部分院前心臟驟?；颊?，以盡早啟動(dòng)CPR及早期實(shí)施冠狀動(dòng)脈造影恢復(fù)再灌注。因此，該模型可在一定程度上指導(dǎo)臨床醫(yī)生作出是否繼續(xù)胸外按壓、是否行冠狀動(dòng)脈造影以及是否進(jìn)行體溫控制等復(fù)蘇后的臨床決策[4，48]。在此基礎(chǔ)上，聯(lián)合患者猝死時(shí)的腦電圖，亦可實(shí)現(xiàn)對(duì)神經(jīng)功能預(yù)后的預(yù)測(cè)和評(píng)價(jià)[49]。有研究通過機(jī)器算法進(jìn)行分析發(fā)現(xiàn)，影響院外心臟驟?；颊哳A(yù)后的主要因素為初始心律、年齡、開始CPR的時(shí)間、應(yīng)急反應(yīng)系統(tǒng)的反應(yīng)時(shí)間以及發(fā)生院外心臟驟停的地點(diǎn)等[50]。亦有研究采用深度學(xué)習(xí)方法構(gòu)建模型，對(duì)院內(nèi)心臟驟?；颊叩乃劳雎始霸偃朐郝蔬M(jìn)行預(yù)測(cè)，顯示出機(jī)器學(xué)習(xí)模型潛在的預(yù)測(cè)能力[51]。Park等[52-53]對(duì)線性回歸、XG-Boosting、支持向量機(jī)、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等多個(gè)機(jī)器算法模型進(jìn)行對(duì)比研究發(fā)現(xiàn)，在院外心臟驟?；颊呱窠?jīng)功能預(yù)后預(yù)測(cè)方面，XG-Boosting和線性回歸算法的檢驗(yàn)效能相對(duì)更占優(yōu)勢(shì)；而在機(jī)器學(xué)習(xí)算法中增加來(lái)自社區(qū)水平的變量，如犯罪水平、醫(yī)療保健水平以及經(jīng)濟(jì)條件等因素，可優(yōu)化心臟驟停預(yù)后預(yù)測(cè)模型[54]。

5 開展心肺復(fù)蘇培訓(xùn)

隨著人工智能技術(shù)的不斷發(fā)展，智能化設(shè)備參與CPR培訓(xùn)與教學(xué)活動(dòng)亦日益頻繁，如教學(xué)反饋裝置、模擬人及實(shí)時(shí)評(píng)分系統(tǒng)等，可幫助受訓(xùn)者高效掌握CPR技能，從而為實(shí)時(shí)高質(zhì)量的CPR提供幫助[55]。應(yīng)用虛擬現(xiàn)實(shí)技術(shù)進(jìn)行CPR技能培訓(xùn)，可顯著提升受訓(xùn)學(xué)生的CPR技能掌握程度[56]。此外，應(yīng)用CPR語(yǔ)音助手，可幫助施救者準(zhǔn)確撥打救援電話，并提供詳細(xì)的按壓指導(dǎo)，從而提高胸外心臟按壓質(zhì)量。

6 小結(jié)與展望

隨著人工智能技術(shù)及大數(shù)據(jù)的快速發(fā)展，生命科學(xué)領(lǐng)域涌現(xiàn)出越來(lái)越多的智能化設(shè)備，通過對(duì)大數(shù)據(jù)的算法分析，產(chǎn)生多種數(shù)據(jù)模型。這些智能化工具，一方面能夠輔助臨床醫(yī)師及院前急救人員早期識(shí)別高危心臟驟?；颊?，提前進(jìn)行急救預(yù)案；另一方面通過胸外心臟按壓、機(jī)械通氣等多維度智能輔助指導(dǎo)CPR實(shí)施，提高復(fù)蘇質(zhì)量。此外，還可通過對(duì)海量數(shù)據(jù)的系統(tǒng)化分析，預(yù)測(cè)復(fù)蘇后患者的臨床預(yù)后，為其提供個(gè)體化病情分析和醫(yī)療決策。雖然智能算法系統(tǒng)及工具對(duì)臨床工作具有較大的指導(dǎo)作用，但仍需前瞻性的隨機(jī)對(duì)照試驗(yàn)對(duì)其進(jìn)行驗(yàn)證。

作者貢獻(xiàn)：劉帥負(fù)責(zé)文獻(xiàn)檢索及論文撰寫；朱華棟負(fù)責(zé)論文選題及審校。

利益沖突：所有作者均聲明不存在利益沖突