摘要 我國作為人口大國，心血管疾病呈現(xiàn)高發(fā)態(tài)勢，老年慢性病管理更是面臨巨大挑戰(zhàn)，老年冠心病是最常見的老年慢性心血管疾病之一，具有高發(fā)病率、高死亡率及高致殘率的特點。針對老年冠心病的特點，各地醫(yī)療機構(gòu)及科研院所不斷研究出適用于老年冠心病群體的基于人工智能的出院評估系統(tǒng)及出院管理策略。本共識目的在于整合最新研究進展及基于人工智能的老年冠心病動態(tài)自適應出院評估體系。從而指導臨床醫(yī)生運用人工智能技術進行老年冠心病出院評估及高效的疾病管理。

關鍵詞 老年冠心?。蝗斯ぶ悄?；出院評估；動態(tài)自適應；專家共識

doi：10.12102/j.issn.1672-1349.2024.20.001

Expert Consensus on Dynamic Adaptive Discharge Assessment of Elderly Patients with Coronary Heart Disease Based on Artificial Intelligence Model

National Cardiology Center， National Clinical Research Center for Cardiovascular Diseases， Chinese Gerontology and Geriatrics Society Committee of Cardiovascular Diseases， Chinese Medical Education， Association of Traditional Chinese and Western Medicine Cardiovascular Professional Committee

Abstract As a populous country，China faces a high prevalence of cardiovascular diseases，particularly among the elderly with chronic conditions，presenting significant challenges.Among these，elderly coronary heart disease（CHD） is one of the most common chronic cardiovascular diseases，characterized by high incidence，mortality，and disability rates.In response to the characteristics of elderly CHD，medical institutions and research institutes nationwide are continuously developing artificial intelligence（AI）-based discharge assessment systems and discharge management strategies tailored for this demographic.This consensus aims to integrate the latest research advancements and AI-based dynamic adaptive discharge assessment systems for elderly CHD.Its goal is to guide clinical practitioners in using AI technology for efficient discharge assessment and disease management of elderly CHD patients.

Keywords elderly coronary heart disease; artificial intelligence; discharge assessment; dynamic adaptation; expert consensus

引用信息 國家心臟病中心，國家心血管病臨床研究中心，中國老年學和老年醫(yī)學學會心血管病專業(yè)委員會，等.基于人工智能模型的老年冠心病動態(tài)自適應出院評估專家共識［J］.中西醫(yī)結(jié)合心腦血管病雜志，2024，22（20）：3649-3658.

我國目前已步入老齡社會，老齡化進程明顯加速。至2021年末，我國60歲及以上人口有2.67億人，占總?cè)丝诘?8.9%，65歲及以上人口有2億人，占總?cè)丝诘?4.2%^［1］。冠心病是常見的慢性心血管疾病，其發(fā)病率隨年齡增長而增高。研究顯示，冠心病導致的心肌缺血缺氧、心肌梗死等會對心肌造成損害，加速心肌細胞死亡，進一步導致心肌功能減退甚至心力衰竭。如不加以控制，則會導致心絞痛、心肌梗死、心力衰竭、心律失常、突發(fā)性心源性猝死等致命性并發(fā)癥^［2］。與中青年相比，老年病人身體機能下降，心血管調(diào)節(jié)功能較差，治療后復發(fā)率高，因此，應重視該群體出院評估工作，以減少其再入院的風險。

2011年，中華醫(yī)學會心血管病學分會（Chinese Society of Cardiology，CSC）頒布了我國第1部《中國心血管病預防指南》，并于2017年進行了修訂^［3］。 2016年，歐洲心臟病學會（European Society of Cardiology，ESC）頒布了《2016歐洲心血管病預防臨床實踐指南》^［4］。2019年，美國心臟病學學會（American College of Cardiology，ACC）/美國心臟協(xié)會（American Heart Association，AHA）頒布了《2019 ACC/AHA 心血管病一級預防指南》^［5］。盡管國內(nèi)外已形成了多項針對心血管疾病預防和臨床管理的指南，但目前尚無專門指導老年冠心病病人出院評估及再入院危險因素的綜合防治指南。此外，隨著人工智能（artificial intelligence，AI）技術的不斷進展，AI在冠心病的診斷、評估、風險預測等各個方面的應用逐步增多^［6］。在此背景下，形成以AI模型為基礎的老年冠心病動態(tài)自適應出院評估專家共識，對推進老年冠心病病人出院評估工作進展具有極大意義?？紤]到老年冠心病群體的特殊性，張娜娜等^［7］提出冠心病病人運動康復指導意見，為這類病人提供個性化的康復指導，以減少冠心病再發(fā)事件和改善生活質(zhì)量。同時，AI也顯示出在老年冠心病預后預測和并發(fā)癥評估中的潛力。如多學科專家共同制定的《基于眼底圖像應用AI技術評估心血管病發(fā)病風險的專家共識》^［8］。依托復雜的統(tǒng)計模型預測心血管病風險及AI算法分析眼底照片，使醫(yī)生能夠在短時間內(nèi)獲得病人心血管病風險的評估結(jié)果，極大地提高了工作效率和篩查覆蓋率。這提示將AI引入心血管慢病管理，將使得出院評估能夠動態(tài)調(diào)整，病人管理能夠更加靈活高效。 因此，本共識的提出，旨在整合最新研究成果，指導臨床實踐，提升服務質(zhì)量，為老年冠心病病人的精細化管理貢獻一份力量。

1 共識提出的背景

1.1 冠心病的定義

冠心病即冠狀動脈粥樣硬化性心臟病，是一種由冠狀動脈粥樣硬化、管腔狹窄導致的慢性心血管疾病，具有高發(fā)病率、高死亡率以及高致殘率^［9］?！吨袊难芙】蹬c疾病報告2022》顯示，我國約有冠心病病人1 139萬例^［10］，病人除了冠心病本身帶來的心肌梗死、心力衰竭等風險，還常面臨嚴重的并發(fā)癥甚至死亡。因此，冠心病的疾病全程管理非常重要。

1.2 老年冠心病的特點

1.2.1 病理特點

老年冠心病病人因其獨特的生理特征，呈現(xiàn)出了與其他年齡段病人不同的心血管病理生理變化^［11］。主要有以下幾方面。

1.2.1.1 心臟功能減弱

隨著年齡增長，心臟的生理儲備功能逐漸衰退，表現(xiàn)為心肌收縮力減弱、心率調(diào)節(jié)能力下降以及血管順應性降低；心肌壁的結(jié)構(gòu)發(fā)生退行性改變，心室腔不斷增加。這些變化使得老年冠心病病人在面對心血管應激時（如體力活動或情緒波動），更容易出現(xiàn)心肌缺血和心力衰竭的癥狀^［12］。尤其當老年冠心病病人長期的心肌血供異常，引起心肌缺氧缺血、心肌重構(gòu)及心肌纖維化等，最終導致心力衰竭。而心力衰竭會進一步加重病人的臨床癥狀，使病人的生活質(zhì)量及活動耐量下降，增加不良事件的發(fā)生風險。因此，臨床中對于老年病人的出院評估和長程管理更需要引起重視。

1.2.1.2 合并其他慢性疾病

老年冠心病病人常合并多種慢性疾病，如糖尿病、高血壓、高脂血癥、慢性阻塞性肺疾病（COPD）等^［13］，這些疾病與冠心病之間存在復雜的相互作用。已有研究證實，COPD是導致冠心病病人發(fā)生心律失常的重要危險因素之一，因為COPD可能導致病人出現(xiàn)水電解質(zhì)紊亂、低氧血癥、器官感染等，這些并發(fā)癥會加重心臟代謝紊亂。老年冠心病病人因年齡較高、身體機能較弱，會增加心臟代謝紊亂及心律失常的發(fā)生風險。此外，糖尿病病人因胰島功能減弱，會導致體內(nèi)糖脂類代謝異常，冠狀動脈病變風險及嚴重程度大大增加，冠狀動脈病變常為多支、彌漫、鈣化、慢性完全性閉塞等。

1.2.1.3 多系統(tǒng)功能減退及多重用藥

老年冠心病病人由于年齡因素及合并癥增多，面臨著免疫系統(tǒng)功能減退、多重用藥、神經(jīng)內(nèi)分泌系統(tǒng)紊亂等病理生理問題^［14］。同時，老年冠心病病人常因其體弱多病、行動不便、多臟器功能減退等影響定期檢查，臨床漏診率和誤診率高達65%^［15］。相比于年輕病人，老年病人心肌梗死發(fā)生率更高，血運重建治療成功率更低，出血和感染并發(fā)癥發(fā)生率更高，易導致預后不良，這無疑大大增加了病人的疾病治療和預后管理的難度。而老年病人多存在年齡相關的藥代動力學、藥效動力學改變，多重用藥更易引發(fā)藥物不良反應及藥源性疾病。2016年，《高齡老年冠心病診治中國專家共識》中強調(diào)應在老年綜合評估基礎上制定方案，遵循個體化、優(yōu)y0XTWZEl3HQ/GyaIYuokuw==先治療、用藥簡單、適當減量、合理聯(lián)合等原則，對于潛在的不適當用藥進行篩查^［16］。

1.2.2 心理特點

老年冠心病病人在心理層面主要表現(xiàn)為對疾病認識不充分而導致的焦慮、抑郁等心理問題，還常伴有疾病確診后的恐懼、悲觀等負面情緒，這些心理特點不同程度地阻礙了冠心病的治療和康復^［17］，同時，老年冠心病病人也會存在一定的認知功能和溝通功能的減退。以上多種原因混雜，極易引發(fā)心理障礙^［18］。

要點1：老年冠心病的特點

1）心臟功能減弱，預后不良。

2）合并癥多，冠狀動脈病變常為多支、彌漫、鈣化、慢性完全性閉塞等。

3）多系統(tǒng)功能減退及多重用藥。

4）常伴有情緒、心理及認知功能障礙。

1.3 老年冠心病流行病學及防治現(xiàn)狀

1.3.1 流行病學現(xiàn)狀

根據(jù)《中國衛(wèi)生健康統(tǒng)計年鑒2021》^［19］統(tǒng)計，2020年中國城市居民冠心病死亡率為126.91/10萬，農(nóng)村為135.88/10萬，存在顯著地域差異，農(nóng)村地區(qū)的死亡率已超越并持續(xù)高于城市。近年來，冠心病死亡率總體呈上升趨勢，且隨著年齡的增長而增加，城市65歲以上人群達244.68/10萬^［19］。年齡是冠心病發(fā)病的重要危險因素，此外，高血脂、高血壓、高血糖、肥胖、吸煙、飲酒、精神壓力同樣會增加冠心病發(fā)病風險。這些危險因素在老年人群中更為普遍，因此，老年人是冠心病的高發(fā)群體。

1.3.2 防治現(xiàn)狀

1.3.2.1 預防策略

通過培養(yǎng)健康生活習慣、控制引發(fā)冠心病的危險因素以及關注病人心理健康是預防冠心病的有效手段。這些措施在老年人群中同樣適用，且對于降低冠心病發(fā)病風險具有重要意義。培養(yǎng)健康生活方式包括戒煙限酒、健康飲食與適量運動相結(jié)合。同時，健康的生活方式有益于控制冠心病的危險因素，如高血壓、高血脂、糖尿病等^［20］。此外，對于合并高血壓、糖尿病等基礎疾病的病人，還需要結(jié)合藥物治療進行控制。以生活方式干預和危險因素防控為核心的心血管病一級、二級預防可有效延緩或避免心血管事件的發(fā)生。由于老年人對冠心病的疾病認識度較低，對預防策略的依從性較差。因此，社區(qū)與家庭配合老年冠心病病人的生活干預十分有必要^［21］。心理健康的維護對冠心病病人同樣重要，尤其對老年病人需額外關注其心理健康狀況，通過心理調(diào)適和情緒管理來降低心理壓力和焦慮情緒對冠心病的影響。

1.3.2.2 防治策略

目前冠心病的主要治療藥物為抗血小板藥物，如阿司匹林和氯吡格雷等^［22］。此外，抗凝治療、擴張冠狀動脈、血壓控制、血脂控制等也是冠心病藥物治療的常用手段。這些藥物在老年冠心病病人的治療中同樣發(fā)揮著重要作用，在減少心血管事件發(fā)生方面具有顯著效果。對老年病人來說，藥物選擇和劑量調(diào)整需更加謹慎，需要依據(jù)病人個體化差異及是否具有合并癥進行藥物篩選和用藥指導。此外，經(jīng)皮冠狀動脈介入治療（percutaneous coronary intervention，PCI）和冠狀動脈旁路移植術（coronary artery bypass grafting，CABG）等治療方法在冠心病治療中也具有重要地位。PCI可以經(jīng)心導管疏通狹窄甚至閉塞的冠狀動脈管腔，從而改善心肌的血流灌注^［23］。CABG可通過手術讓心臟搏出的血從主動脈經(jīng)過所架的血管橋，跨過狹窄或梗阻的冠狀動脈到達缺血心肌，從而改善心肌缺血、缺氧狀態(tài)^［24］。對于老年冠心病病人來說，這兩種手術治療可以持續(xù)性擴張冠狀動脈血管，在提高生活質(zhì)量、減少再住院率等方面具有顯著優(yōu)勢。近年來，中醫(yī)藥在冠心病治療中也逐漸占據(jù)重要地位^［25］。在中醫(yī)?？漆t(yī)師指導下，依據(jù)辨證論治的理論基礎，對病人進行個性化處方診療。中西醫(yī)在冠心病的治療上各具特色、優(yōu)勢互補。

1.4 老年冠心病的治療

老年冠心病目前的主要治療手段為藥物、介入及手術。其中，治療藥物以抗血小板藥阿司匹林及P2Y12受體抑制劑（氯吡格雷、替格瑞洛等）為主^［26］。此外，也有部分抗凝血藥、降血脂藥、β受體阻滯劑、抗炎藥等應用于冠心病的治療^［27］。PCI/CABG是目前治療冠心病主要的介入及手術方式^［28］。是否對冠心病病人進行介入或手術治療主要取決于病人冠狀動脈血管和病變解剖特征、手術成功把握度及手術風險、遠期效果、再狹窄率等。研究顯示，與藥物治療相比，75歲以上穩(wěn)定性冠心病病人（平均80歲）再血管化治療獲益更多，90歲以上病人原則上不建議行介入診斷和治療，以藥物治療為主，除非發(fā)生急性冠脈綜合征（acute coronary syndrome，ACS）^［29］。高齡冠心病病人常存在冠狀動脈血管多支病變情況，有條件可采用冠狀動脈血流儲備分數(shù)、血管內(nèi)超聲等腔內(nèi)影像檢查。此外，由于老年病人治療依從性差，后續(xù)接受抗凝治療、有創(chuàng)操作的概率增加，長期抗血小板治療會造成出血風險增加，應根據(jù)情況個體化治療，或者選擇雙聯(lián)抗血小板治療時間短的新型藥物涂層支架或裸金屬支架。部分老年穩(wěn)定性冠心病病人在身體條件允許的情況下，可以在必要時考慮CABG，以減少出血并發(fā)癥的發(fā)生。

2 老年冠心病病人的綜合管理

2.1 冠心病治療管理

目前治療冠心病最常用的藥物是阿司匹林與P2Y12受體抑制劑等抗血小板藥物。阿司匹林是目前臨床公認的應用最廣泛的抗血小板藥物，能夠不可逆地抑制環(huán)氧化酶1，阻斷血栓素A形成，并且抑制G蛋白偶聯(lián)的血栓素A受體和前列腺素受體介導的血小板激活。P2Y12受體抑制劑則參與二磷酸腺苷釋放導致的瀑布效應，放大血小板活化反應，并通過抑制腺苷酸環(huán)化酶的活性來放大和穩(wěn)定聚集物，從而促進糖蛋白Ⅱb/Ⅲa活化，同時P2Y12受體抑制劑還可以激活凝血系統(tǒng)^［30］。他汀類藥物是臨床常見的降脂藥物，目前研究認為他汀類藥物可以降低冠心病病人體內(nèi)三酰甘油、低密度脂蛋白與總膽固醇水平，治療動脈粥樣硬化，減少冠心病不良事件的發(fā)生^［31］。β受體阻滯劑可以抑制心臟β腎上腺素能受體，減慢心率，減弱心肌收縮力，減少心肌耗氧量，且可以延長舒張期以增加心肌灌注，此外，β受體阻滯劑可以縮小梗死范圍，減少致命性心律失常，降低各種心血管事件發(fā)生率，長期應用可改善病人的遠期預后，提高生存率，有益于冠心病的二級預防^［32］。血管緊張素轉(zhuǎn)化酶抑制劑（ACEI）/血管緊張素Ⅱ受體拮抗劑（ARB）類藥物都是常見的一線降壓藥，通過阻斷血管緊張素Ⅱ（AngⅡ）擴張血管，降低血壓，具有相似的藥理作用機制。而硝酸酯類藥物是臨床常用的改善冠心病心絞痛癥狀的一線藥物，常用的有硝酸甘油、二硝酸異山梨酯以及5-單硝酸異山梨酯。硝酸酯類藥物在體內(nèi)代謝的活性產(chǎn)物為一氧化氮，具有針對小動脈及靜脈系統(tǒng)的血管擴張作用，因此，可以擴張冠狀動脈緩解心絞痛，同時還可減少心臟前負荷。

2.2 冠心病合并癥及危險因素控制

冠心病病人往往合并多種疾病，因此，除了高血壓、糖尿病及高脂血癥是誘發(fā)冠心病的重要發(fā)病原因，也是冠心病常見的合并癥。冠心病合并高血壓病的病人可能因為血壓上升而引起反射性心跳加速，繼而促使其心肌耗氧量增加，使病人冠狀動脈粥樣硬化進程加快，進而誘使病人出現(xiàn)左心室肥大、心室重構(gòu)，繼而導致其病情進一步惡化^［33］。對于此類病人一般臨床采用聯(lián)合降壓藥共同治療，常用藥物有硝酸酯藥物、鈣阻滯劑、β受體阻滯劑等。糖尿病合并冠心病在糖尿病病人中十分常見，冠心病也是糖尿病合并最多的心血管疾病，發(fā)病率可高達55%，且呈逐年上升趨勢^［34］。糖尿病病人糖化血紅蛋白明顯升高，致使紅細胞沉降率、C反應蛋白等明顯升高，從而誘發(fā)冠狀動脈粥樣硬化形成。對于此類病人一般在常規(guī)冠心病治療基礎上聯(lián)合降糖及降脂治療，一般選用胰高血糖素樣肽1類似物利拉魯肽等降糖藥與阿托伐他汀鈣等降脂藥物聯(lián)合，同時進行飲食干預和護理^［35］。血脂與冠心病的形成關系十分密切，血脂升高時脂質(zhì)可侵入并沉積在冠狀動脈壁，引發(fā)血管纖維增生，并促進血小板聚集，從而形成冠狀動脈粥樣硬化，最終導致管腔狹窄與血流減少，造成心臟發(fā)生缺血及缺氧改變。冠心病合并高脂血癥的治療應以調(diào)節(jié)血脂紊亂，減輕心肌缺血缺氧，強化心肌代謝能力為主，從而切實改善心肌功能，臨床常用他汀類藥物進行降脂治療。

2.3 生活方式干預

生活方式對冠心病的發(fā)病具有重要影響，尤其是對身體機能及免疫水平下降的老年人。針對老年冠心病病人的生活方式干預需要從多個方面入手。首先應勸告病人戒煙戒酒。煙草中尼古丁能引起小動脈痙攣，損傷血管內(nèi)皮細胞致動脈粥樣硬化。而飲酒則與血壓水平之間存在密切聯(lián)系，大量飲酒會增加高血壓患病率，進而誘發(fā)心腦血管事件。其次在飲食方面，一般要指導病人健康飲食，以清淡、高蛋白食物為主，避免高脂、高鹽類食物的攝取。日常生活中多吃蔬菜、水果及富含w-3的不飽和脂肪酸的深海魚；限制飽和脂肪與反式脂肪的攝入量等。飲食控制應同時與運動干預相結(jié)合，指導病人做適當、適量的運動，可以幫助促進血液微循環(huán)，有利于調(diào)節(jié)血管壓力。運動方式應以有氧運動為主，如散步、太極等。健康運動可以逐步改善病人健康生活狀態(tài)，提升心臟活力。在飲食能量攝取與體力活動消耗熱能間應當取得平衡，以達到或保持健康體重的目的。對冠心病病人來說，體重管理是很有必要的。體質(zhì)指數(shù)增高是冠心病發(fā)病的獨立危險因素，冠心病導致的心血管不良事件的發(fā)病率也隨體質(zhì)指數(shù)的上升而增高，體重已經(jīng)成為監(jiān)測冠心病生活方式中的一項重要指標。相關研究建議冠心病病人應該將體質(zhì)指數(shù)控制在24 kg/m²以下^［36］。

2.4 定期醫(yī)學檢查

冠心病的診斷一般需要通過心電圖（ECG）、冠狀動脈CT、冠狀動脈血管造影等得到明確證實。心電圖為目前心血管疾病的主要診斷方案，具有簡便快捷、無創(chuàng)等優(yōu)點，可對病人靜息狀態(tài)下心電變化進行記錄，顯示心電生理活動異常改變，有助于臨床早期診斷。冠狀動脈CT一般是采用多層螺旋CT技術利用多層面數(shù)據(jù)采集、高時間與高空間分辨率地開展心臟與冠狀動脈成像，可以檢測密度較低纖維鈣化病變，對冠心病心肌灌注等情況進行定量評價。而冠狀動脈造影被認為是冠心病診斷的金標準，可幫助臨床明確病變血管的位置及狹窄程度。但這種方法具有侵入性強、重復性差、成本高的缺點，應用受到很大限制。通過定期進行心電圖、冠狀動脈CT及冠狀動脈造影等檢查可以及時判斷冠心病病人的疾病進程，盡早對其進行干預，減少心血管不良事件的發(fā)生。糖尿病和高脂血癥是誘發(fā)冠心病的主要危險因素。在冠心病病人中糖尿病的患病率很高，而糖代謝異常又會對冠心病病人產(chǎn)生顯著不利的影響。因此，在臨床工作中，應將血糖檢測作為冠心病病人的常規(guī)檢查項目之一。而血脂的定期檢測，可以幫助了解病人的疾病進展情況，并及時進行相關治療。

2.5 多重用藥管理

老年冠心病病人往往同時合并多種疾病，除了對于冠心病的管理外，治療合并癥帶來的多重用藥問題也需要引起關注和重視，多重用藥管理是冠心病藥物管理的重要組成部分，對病人遠期預后等具有重要意義。尤其對于臨床病人可能存在的重復用藥、過度用藥、藥物相互作用等問題，需要根據(jù)病人的年齡、肝腎功能、藥物機制等因素進行綜合調(diào)整和優(yōu)化，以達到最佳的治療效果并最大限度地減少藥物副作用風險。

要點2：老年冠心病的綜合管理

1）冠心病的治療管理。

2）冠心病合并癥及危險因素控制。

3）生活方式干預。

4）定期醫(yī)學檢查。

5）多重用藥管理。

3 老年冠心病病人出院評估的AI模型研究

出院評估也稱出院準備度，最早于1979 年由 Fenwick^［37］提出，是指醫(yī)護人員對病人生理及心理狀態(tài)進行評估，依此判斷其是否符合出院條件。良好的出院準備度可以提升病人出院后的生活質(zhì)量，降低再次入院的風險。出院準備不只局限于出院當天，而是包含住院期間、出院時、出院后的整個過程，良好的出院準備度包括有效的出院健康教育、完善的出院計劃和規(guī)范的出院標準^［38］。既往研究顯示，婚姻、性別、收入、居住地、受教育程度、出院指導質(zhì)量、是否合并其他慢性病等都是影響出院評估的重要因素^［39-40］。AI可以快速對大量臨床數(shù)據(jù)進行分析，滿足當前對疾病輔助診療和防治的信息化及便捷化的需求。近年來，將AI技術應用于冠心病等慢性疾病的診療中已經(jīng)成為一種趨勢^［41］。在老年冠心病病人的臨床管理中，出院風險評估與預后管理是兩個至關重要的環(huán)節(jié)。隨著AI技術的快速發(fā)展，其在醫(yī)療領域的應用日益廣泛，為冠心病病人的出院評估和預后管理提供了全新的視角和工具。

3.1 基于臨床數(shù)據(jù)的AI預測模型

為了高效地進行出院評估干預，研究者們制定了基于信息-動機-行為技巧模型（information-motivation-beha-vioral skills model，IMB）的干預計劃^［42］，這是目前臨床上使用較多的出院評估干預模型，該模型強調(diào)了加強護士與病人之間的聯(lián)系，通過組建醫(yī)護小組，指導病人加強自護能力，提高對疾病的認識，來改善病人出院預后^［43］。在IMB干預模型的基礎上，AI依托機器學習和深度學習，使得出院評估的模式更加靈活、多樣，預后管理更加精準、高效^［44］。

在冠心病輔助診斷方面，目前已有基于混合深度學習形成冠心病預測模型的研究^［45］。該研究通過采集7 291例病人的臨床數(shù)據(jù)，使用兩種不同的深度神經(jīng)網(wǎng)絡模型和一個循環(huán)神經(jīng)網(wǎng)絡模型作為主模型進行訓練。主模型訓練后的預測結(jié)果通過k-最近鄰（k-NN）模型進行二次訓練，以提高預測精度?；旌夏Ｐ驮跍y試集上的預測準確率為82.8%，精確度為87.08%，召回率為88.57%，F(xiàn)1分數(shù)為87.82%，受試者工作特征（ROC）曲線下面積（AUC）為0.8。相比于單模型機器學習預測，該混合模型在準確性上有顯著提升，可以作為冠心病診斷的輔助工具，有助于臨床醫(yī)生更準確地評估病人的冠心病風險。

另一方面是關于冠心病發(fā)生風險的預測。一項基于電子健康記錄（electronic health record，EHR）機器學習模型的研究，旨在開發(fā)并驗證一個能夠定量評估冠狀動脈疾?。╟oronary artery disease，CAD）風險的標志物，稱為ISCAD。這一模型通過利用大量EHR數(shù)據(jù)，結(jié)合已知風險因素、匯總隊列方程和多基因風險評分，以實現(xiàn)對CAD風險的連續(xù)量化評估。模型架構(gòu)主要基于隨機森林算法，通過構(gòu)建多個決策樹來預測CAD狀態(tài)，并生成每個參與者的ISCAD評分。這一模型為CAD的定量評估提供了一種無創(chuàng)、連續(xù)的方法，有助于醫(yī)生更精細地評估病人的CAD風險^［46］。另一研究通過兩種數(shù)據(jù)平衡方法（隨機過采樣和SMOTE），基于五種機器學習算法（k最鄰近算法、Logistic回歸、支持向量機、決策樹和XGBoost）構(gòu)建并比較冠心病風險預測模型。通過單變量分析和逐步邏輯回歸，研究者識別并篩選了影響冠心病發(fā)生的關鍵變量作為模型的輸入。輸出是冠心病風險的預測結(jié)果，通常以概率形式表示。這個概率值越高，表示該樣本患有冠心病的風險越大。根據(jù)這個預測結(jié)果，醫(yī)生可以制定更加個性化的預防和治療策略，以降低病人發(fā)生冠心病的風險。通過構(gòu)建和比較五種基于機器學習的冠心病風險預測模型，不僅確認了已知冠心病的影響因素，還發(fā)現(xiàn)了新的潛在影響因素，為未來優(yōu)化冠心病預測模型提供了有價值的參考^［47］。

3.2 基于生物樣本的AI預測模型

AI輔助冠心病風險預測除了依據(jù)病人臨床診療數(shù)據(jù)之外，也有研究利用循環(huán)蛋白質(zhì)進行大規(guī)模分析從而建立模型，進而推導出9-protein風險評分，用于預測冠心病病人的心血管事件風險^［48］。該研究從病人的血漿樣本中采集數(shù)據(jù)，利用修飾過的適體或其他高精度的生物分析技術，在血漿樣本中測量特定的9種蛋白質(zhì)生物標志物的水平?；跍y量得到的蛋白質(zhì)水平，計算出每例病人的風險評分。這個評分綜合了多種蛋白質(zhì)的信息，以反映病人未來發(fā)生心血管事件的風險。評分越高，表示病人未來發(fā)生心血管事件的風險越大。這種評分工具使醫(yī)生能夠定制更加個性化的醫(yī)療方案和預防策略，以期達到更好的治療效果和健康管理。

3.3 基于影像學數(shù)據(jù)的AI預測模型

目前AI技術在冠心病中常被應用于影像學數(shù)據(jù)的診斷，例如AI可以將心電圖、冠狀動脈CT、門控核素心肌灌注顯像等影像學技術利用各種算法根據(jù)所獲得的圖像信息自動化地做出診斷。傳統(tǒng)的診治依賴于醫(yī)生的判斷，而AI技術可以通過學習大量的臨床數(shù)據(jù)，將影像學診斷整理成報告，減輕臨床醫(yī)師的工作量，極大地加快診斷效率，減輕醫(yī)療負擔。Osei等^［49］建立的基于深度學習方法，自動從冠狀動脈CT血管造影（CTA）得到鈣化積分的模型，可以通過AI技術精準地從CTA圖像中直接獲取鈣化積分，進行心血管疾病風險評估，避免對鈣化的冗余人工標注，直接從圖像中進行分數(shù)回歸。此外，AI可以通過算法學習，不斷迭代優(yōu)化影像學檢測模型。例如AI可以通過算法連續(xù)比較同一病人不同時間的ECG變化，檢測病人新發(fā)心力衰竭和心肌缺血情況，還可以對病人重要的ECG特征進行提取，且具有較高的測試靈敏度^［50］。此外，AI技術也被用于老年冠心病相關檢查的評估，如國際心血管CT協(xié)會（Society of Cardiovascular Computed Tomography，SCCT）提出了冠狀動脈病變報告和數(shù)據(jù)系統(tǒng)（Coronary Artery Disease-RADS，CAD-RAD）^［51］。CAD-RADS 可以對病人冠狀動脈狹窄程度進行評級，規(guī)范CTA報告術語，進而改善影像診斷醫(yī)師和內(nèi)科醫(yī)師的溝通，最終提高醫(yī)療質(zhì)量。Banchhor等^［52］通過AI算法學習血管內(nèi)超聲下斑塊和血管壁特征作為新參數(shù)提高現(xiàn)有的CADx系統(tǒng)對冠心病危險度分層的準確性。AI 技術還可通過EchoNet Dynamic深度學習算法使用多個心動周期的信息來最大限度地減少誤差并產(chǎn)生一致的結(jié)果，通過對LVEF的計算評估病人的復查頻率，改善病人的生活質(zhì)量。

要點3：老年冠心病病人出院評估的AI模型

1）基于臨床數(shù)據(jù)的AI預測模型。

2）基于生物樣本的AI預測模型。

3）基于影像學數(shù)據(jù)的AI預測模型。

4 老年冠心病病人出院評估的AI技術應用

雖然我國老年冠心病病人出院評估的AI技術使用研究已經(jīng)取得了一定的進展。但是，也應當認識到，我國仍然處于弱AI階段^［53-54］，對這一技術的開發(fā)應用仍相對較少，目前我國老年冠心病病人出院評估的AI技術的應用主要體現(xiàn)在以下幾方面。

4.1 “互聯(lián)網(wǎng)＋”健康管理模式

“互聯(lián)網(wǎng)＋”健康管理模式是將互聯(lián)網(wǎng)、大數(shù)據(jù)、AI整合在一起^［55］，通過醫(yī)療手段對病人進行疾病管理、出院評估、健康咨詢等遠程醫(yī)療服務^［56］，這種“互聯(lián)網(wǎng)＋”健康管理模式主要包括掌上醫(yī)院^［57］、互聯(lián)網(wǎng)醫(yī)療聯(lián)合體^［58］、縣域醫(yī)療共同體模式^［59］、遠程協(xié)作^［60］、互聯(lián)網(wǎng)醫(yī)院^［61］等。這些健康管理模式充分運用互聯(lián)網(wǎng)和AI，實現(xiàn)了醫(yī)療資源利用的最大化^［62］。程靜等^［63］研究發(fā)現(xiàn)，使用“互聯(lián)網(wǎng)＋”健康管理模式對冠心病人群進行診療和隨訪，發(fā)現(xiàn)可以顯著降低病人焦慮和抑郁的水平，依托“線上”模式，避免了病人在醫(yī)院長時間排隊以及減少了直面醫(yī)生的緊張感^［64］。

4.2 可穿戴設備

可穿戴設備依托可監(jiān)測設備^［65］，能夠在病人出院前實時監(jiān)測冠心病病人心臟健康指數(shù)，評估病人是否具備出院條件；也可以在病人出院后，實時評估病人身體狀況，早發(fā)現(xiàn)，早預警，減少出院后再入院次數(shù)，降低復發(fā)率^［66］。

4.3 云端慢病智能管理系統(tǒng)

通過智能“云端”結(jié)合可穿戴設備^［67］，醫(yī)生可以實時接收到病人當前的狀況，并可以實時記錄病人信息，醫(yī)生有針對性地制定健康管理計劃，形成有特色的醫(yī)療健康小組，可以幫助病人提高疾病認識水平和風險自護能力^［68］。對于老年冠心病病人，這一技術進展極大改善了病人健康數(shù)據(jù)的實時監(jiān)測和評估，減少外出就醫(yī)的不便，提高了冠心病長病程的健康信息管理能力，加強了醫(yī)患之間的密切性。以上這些基于AI的出院評估技術極大地提高了老年冠心病出院評估的精確度和病人管理的效率。AI可以實時收集生理參數(shù)和生活行為數(shù)據(jù)，并實時監(jiān)測病人的整體健康狀況和疾病進展，實現(xiàn)從過去的單一化評估向多元評估的轉(zhuǎn)變，從而達到降低再入院風險的終極目標^［69-74］。

要點4：老年冠心病病人出院評估的AI技術應用

1）互聯(lián)網(wǎng)＋健康管理模式。

2）可穿戴設備。

3）云端慢病智能管理系統(tǒng)。

5 基于AI的老年冠心病出院評估方法推薦

目前仍然欠缺專門針對老年冠心病出院評估方面的AI模型，根據(jù)既往文獻報道及臨床實際需求，本共識對于未來此類AI模型的可能方向進行了推薦，以期使老年冠心病病人能夠獲得更為有效的管理并降低再住院風險^［75］。

5.1 個性化評估模型

針對老年病人多病共存和生理功能退化的特性，建議開發(fā)一套針對老年冠心病病人的個性化評估模型。這些模型結(jié)合臨床數(shù)據(jù)（如年齡、性別、基礎疾病等）、生理參數(shù)（如心率變異性、血壓波動等）以及生活行為數(shù)據(jù)（如睡眠質(zhì)量、日?；顒恿康龋?，構(gòu)建一個全面的多維度評估體系，以動態(tài)反映病人的整體健康狀況^［76］。

5.2 早期預警系統(tǒng)

利用機器學習或深度學習^［77］建立早期預警系統(tǒng)，實時監(jiān)測病人的生理數(shù)據(jù)和生活習慣變化。當系統(tǒng)檢測到可能預示風險增加的異常模式時，立即向醫(yī)療團隊發(fā)送預警，以便及時采取干預措施，如調(diào)整藥物治療、強化康復計劃或提供心理支持^［78］。

5.3 康復指導與隨訪管理系統(tǒng)

設計并實施AI支持的康復指導系統(tǒng)，根據(jù)可穿戴設備傳回病人的具體情況，提供個性化康復計劃，并監(jiān)測康復方案的具體指導、執(zhí)行監(jiān)督、進度安排等，從而確保病人出院后能夠順利執(zhí)行康復計劃，穩(wěn)定病情及預后，改善心血管功能和生活質(zhì)量。

5.4 健康管理系統(tǒng)

冠心病作為一種慢性疾病，病程較長，很可能存在多地就醫(yī)、反復住院治療的情況，能夠?qū)⑵淙〕虜?shù)據(jù)進行整合和系統(tǒng)性管理對于疾病診治及病人管理尤為重要。因此，AI輔助整合電子健康記錄、可穿戴設備數(shù)據(jù)、遠程監(jiān)測數(shù)據(jù)等多種數(shù)據(jù)源，建立病人全病程健康檔案備受期待。聯(lián)合多學科專家，進行數(shù)據(jù)整合分析，有利于對病人進行高效長程的健康管理^［79］。AI輔助病人圍出院期流程圖見圖1。

通過使用以上推薦的方法，希望構(gòu)建一個以病人為中心、智能化、動態(tài)調(diào)整的出院評估體系，指導醫(yī)療機構(gòu)為老年冠心病病人提供更精準、個性化的醫(yī)療照護，降低再住院風險，提高生活質(zhì)量。

6 建議應用場景與人群

在本共識的指導下，AI在老年冠心病病人出院評估中的應用可以廣泛地融入到多個醫(yī)療場景，以滿足不同病人群體的個性化需求。以下是一些推薦的應用場景和目標人群^［80］。

6.1 臨床醫(yī)院

1）普通心內(nèi)科病房：對于剛從急性冠狀動脈綜合征（acute coronary syndrome，ACS）或其他急性心臟事件中恢復的老年病人，AI評估系統(tǒng)可用于提供精準的風險預測，指導醫(yī)護人員制定個性化的隨訪計劃和治療康復策略。2）重癥監(jiān)護病房（intensive care unit，ICU）：AI評估系統(tǒng)可以實時監(jiān)測病人生理指標，提供預警，從而降低再入院風險，同時評估康復進展，指導ICU出院后的管理。

6.2 基層醫(yī)療機構(gòu)

1）全科診所：在基層醫(yī)生資源有限的情況下，AI評估系統(tǒng)可以輔助診斷，輔助提供標準化的出院評估流程，確保病人在社區(qū)獲得高質(zhì)量的管理。2）社區(qū)衛(wèi)生服務中心：使用可穿戴設備，醫(yī)護人員可以遠程監(jiān)控病人康復進度，提供必要的干預，減少門診就診頻次，提高醫(yī)療資源利用效率。

6.3 家庭護理與遠程醫(yī)療

1）家庭護理：病人出院后，使用可穿戴設備，持續(xù)監(jiān)控病人生理數(shù)據(jù)和行為數(shù)據(jù)，提供及時的預警，并根據(jù)反饋調(diào)整康復計劃。2）遠程醫(yī)療：通過AI技術，專家可以遠程參與老年冠心病病人的出院評估，為基層醫(yī)生提供實時指導，提高診斷和治療的準確性。

6.4 臨床研究

1）臨床試驗：AI評估系統(tǒng)可以用于病人篩選和隨訪管理，提高研究效率，同時降低研究偏倚，確保結(jié)果的可靠性和可重復性。2）預后預測研究：通過大數(shù)據(jù)分析，AI模型可以發(fā)現(xiàn)新的風險因素，為臨床實踐提供新的指導。

6.5 健康宣講

人群篩查：在社區(qū)健康活動中，AI眼底圖像分析可以作為便捷的篩查工具，早期識別心血管風險，實現(xiàn)心血管病的預防。通過在這些應用場景中使用基于AI的老年冠心病出院評估系統(tǒng)，可以確保病人在不同階段都能獲得及時、準確、個性化的醫(yī)療服務，改善預后，提高生活質(zhì)量，降低再入院風險。同時，這些應用將有助于打破地域和醫(yī)療資源的限制，使優(yōu)質(zhì)醫(yī)療資源得到更均衡的分配，為所有老年冠心病病人提供更好的健康保障。

要點5：建議應用場景

1）臨床醫(yī)院（心內(nèi)科等）。

2）基層社區(qū)。

3）家庭護理與遠程醫(yī)療。

4）臨床研究與預后模型。

5）健康宣講。

7 展 望

7.1 問題

雖然AI在老年冠心病病人出院評估中展現(xiàn)出巨大的潛力，但實際應用中仍存在以下挑戰(zhàn)：

1） 數(shù)據(jù)質(zhì)量管控問題有待提高，數(shù)據(jù)的質(zhì)量和完整性是影響模型準確性的關鍵因素，尤其是當數(shù)據(jù)來源多樣或存在缺失時，數(shù)據(jù)的真實性和可靠性就更加重要。2）AI技術有待推廣，我國作為發(fā)展中國家，AI技術起步較晚，目前仍處于弱AI時代，許多中老年對AI技術存在不信任和抵觸情緒，有待加強大眾對這一技術的逐步了解和認可。3）信息數(shù)據(jù)存在安全隱患，如何保證病人信息不泄露是AI使用中需重點關注的問題，妥善解決信息安全問題將有助于提高病人對AI的信任度和接受度。

7.2 展望

未來的工作應側(cè)重于以下幾點：

1）提升AI模型的性能，進一步優(yōu)化深度學習模型，通過引入更先進的算法，使AI模型能夠更好地模擬醫(yī)生的決策過程，識別更復雜的臨床模式，并提高風險預測的精確度。確保AI在處理不同來源和類型數(shù)據(jù)時的穩(wěn)定性和準確性，增強模型的可解釋性，使得醫(yī)生和病人能夠理解模型決策的依據(jù)，提高病人對AI的信任度。

2）優(yōu)化AI系統(tǒng)的易用性和適應性，使不同年齡段的病人便于操作。

3）通過跨學科合作，持續(xù)優(yōu)化模型，實現(xiàn)更全面、更精準的老年冠心病病人出院評估，并降低再入院風險及不良事件發(fā)生風險。

4）加強信息安全，構(gòu)筑更堅固的信息“防火墻”，保護用戶個人隱私及信息。社會各界應共同推動AI的規(guī)范使用，避免技術濫用。

以上幾點將為構(gòu)建更高效、更個性化的醫(yī)療服務體系作出貢獻，共同構(gòu)建起一個以病人為中心的、全球互聯(lián)的智慧醫(yī)療體系。

要點6：AI輔助醫(yī)療的挑戰(zhàn)

1）數(shù)據(jù)安全性有待提高。

2）技術普及性有待加強。

3）數(shù)據(jù)來源應當廣泛。

4）AI模型性能需提高。

5）學科合作醫(yī)工交叉理念要深入。

起草人：馬麗紅、閆思雨

專家組成員：馬麗紅（中國醫(yī)學科學院阜外醫(yī)院）、楊偉憲（中國醫(yī)學科學院阜外醫(yī)院）、李潤知（鄭州大學）、李虹偉（首都醫(yī)科大學附屬北京友誼醫(yī)院）、張文生（廣州大學計算機科學與網(wǎng)絡工程學院）、閆思雨（中國醫(yī)學科學院阜外醫(yī)院）、孫穎（首都醫(yī)科大學附屬北京友誼醫(yī)院）、湯雯（首都醫(yī)科大學附屬北京友誼醫(yī)院）、楊雪冰（中國科學院自動化研究所）、謝源（華東師范大學）、李書明（北京市朝陽區(qū)疾病預防控制中心）、毋媛媛（海南大學）、竇克非（中國醫(yī)學科學院阜外醫(yī)院）、田濤（中國醫(yī)學科學院阜外醫(yī)院）、宋衛(wèi)華（中國醫(yī)學科學院阜外醫(yī)院）、王天杰（中國醫(yī)學科學院阜外醫(yī)院）、王勇（中國醫(yī)學科學院阜外醫(yī)院）、趙漢軍（中國醫(yī)學科學院阜外醫(yī)院）、周憲梁（中國醫(yī)學科學院阜外醫(yī)院）、錢杰（中國醫(yī)學科學院阜外醫(yī)院）、顧晴（中國醫(yī)學科學院阜外醫(yī)院）、陳暉（首都醫(yī)科大學附屬北京友誼醫(yī)院）、邱惠（首都醫(yī)科大學附屬北京友誼醫(yī)院）、邢云利（首都醫(yī)科大學附屬北京友誼醫(yī)院）、王菁（鄭州大學）、張坤麗（鄭州大學）、牛景昊（中國科學院自動化研究所）、朱運琪（中國科學院自動化研究所）、劉紅旭（首都醫(yī)科大學附屬北京中醫(yī)醫(yī)院）、邢文龍（首都醫(yī)科大學附屬北京中醫(yī)醫(yī)院）、吳紅金（北京大學第三醫(yī)院海淀院區(qū)）、張立晶（北京中醫(yī)藥大學東直門醫(yī)院）、荊魯（中國中醫(yī)科學院眼科醫(yī)院）、馬長生（首都醫(yī)科大學附屬北京安貞醫(yī)院）、何柳（首都醫(yī)科大學附屬北京安貞醫(yī)院）、陸培培（中國醫(yī)學科學院阜外醫(yī)院）

參考文獻：

［1］ 謝冰，茍翠萍，陳倩，等.我國老年人口健康狀況分析與思考——基于第六次、第七次全國人口普查數(shù)據(jù)［J］.中國初級衛(wèi)生保健，2023，37（5）：38-43.

［2］ 任鑫，張佳宇，張美霞.遠程心電監(jiān)測技術在冠心病病人應用中的研究進展［J］.中國醫(yī)療設備，2024，39（1）：144-149.

［3］ 中國心血管病預防指南寫作組，中華心血管病雜志編輯委員會.中國心血管病預防指南（2017）［J］.中華心血管病雜志，2018，46（1）：10-25.

［4］ PIEPOLI M F，HOES A W，AGEWALL S，et al.2016 European guidelines on cardiovascular disease prevention in clinical practice：the sixth joint task force of the European Society of Cardiology and other societies on cardiovascular disease prevention in clinical practice （constituted by representatives of 10 societies and by invited experts） developed with the special contribution of the European Association for Cardiovascular Prevention & Rehabilitation （EACPR）［J］.Atherosclerosis，2016，252：207-274.

［5］ ARNETT D K，BLUMENTHAL R S，ALBERT M A，et al.2019 ACC/AHA guideline on the primary prevention of cardiovascular disease：a report of the American College of Cardiology/American Heart Association task force on clinical practice guidelines［J］.Circulation，2019，140（11）：e596-e646.

［6］ 中國體檢人群心血管病危險因素篩查與管理專家共識［J］.中華健康管理學雜志，2015，9（6）：398-412.

［7］ 張娜娜，周彤，王茜.老年冠心病并存衰弱病人運動康復的最佳證據(jù)總結(jié)［J］.護理學雜志，2023，38（17）：19-24.

［8］ 中華預防醫(yī)學會健康風險評估與控制專業(yè)委員會，中華醫(yī)學會心血管病學分會，中國健康管理協(xié)會健康體檢分會.基于眼底圖像應用人工智能技術評估心血管病發(fā)病風險的專家共識［J］.中華內(nèi)科雜志，2024，63（1）：28-34.

［9］ DALEN J E，ALPERT J S，GOLDBERG R J，et al.The epidemic of the 20（th） century：coronary heart disease［J］.The American Journal of Medicine，2014，127（9）：807-812.

［10］ 中國心血管健康與疾病報告編寫組.《中國心血管健康與疾病報告2022》概要［J］.中國介入心臟病學雜志，2023，31（7）：485-508.

［11］ 李路.速速了解老年人的“心臟第一殺手”——冠心?。跩］.山西科技報，2024-03-14（A05）.

［12］ SHAN L，SAXENA A，MCMAHON R，et al.Coronary artery bypass graft surgery in the elderly：a review of postoperative quality of life［J］.Circulation，2013，128（21）：2333-2343.

［13］ 趙凱，李永健，高巧營，等.不同劑量尼可地爾對老年冠心病患者造影劑腎病的預防作用［J］.中華老年心腦血管病雜志，2018，20（5）：487-490.

［14］ 劉永升.亞臨床甲狀腺功能減退對老年經(jīng)皮冠狀動脈介入治療術后患者預后影響及危險因素研究［D］.石家莊：河北醫(yī)科大學，2022.

［15］ 王華，方芳，柴坷，等.80歲及以上老年冠心病患者臨床病理特點分析［J］.中華心血管病雜志，2015，43（11）：948-953.

［16］ 李小鷹.《高齡老年冠心病診治中國專家共識》解讀［J］.健康管理，2017（3）：73-76.

［17］ NEMATI M H，ASTANEH B.The impact of coronary artery bypass graft surgery on depression and anxiety［J］.Journal of Cardiovascular Medicine，2011，12（6）：401-404.

［18］ CORREA-RODRíGUEZ M，ABU EJHEISHEH M，SULEIMAN-MARTOS N，et al.Prevalence of depression in coronary artery bypass surgery：a systematic review and meta-analysis［J］.Journal of Clinical Medicine，2020，9（4）：909.

［19］ 吳士勇，國家衛(wèi)生健康委員會.2021中國衛(wèi)生健康統(tǒng)計年鑒［M］.北京：中國協(xié)和醫(yī)科大學出版社，2021：1-5.

［20］ 中華醫(yī)學會心血管病學分會，中國康復醫(yī)學會心臟預防與康復專業(yè)委員會，中國老年學和老年醫(yī)學會心臟專業(yè)委員會，等.中國心血管病一級預防指南［J］.實用心腦肺血管病雜志，2021，29（1）：44-64.

［21］ 王玉瓊.多維度協(xié)同護理在老年冠心病病人中的應用效果［J］.中國民康醫(yī)學，2024，36（12）：165-167.

［22］ 張克軍，連光艷.曲美他嗪聯(lián)合氯吡格雷對冠心病心絞痛病人心電圖、血清hs-CRP和BNP的影響［J］.貴州醫(yī)藥，2024，48（6）：879-881.

［23］ 趙艷梅，羅君婷，凌政，等.不同訓練強度對PCI術后冠心病病人心肺功能的影響［J］.外科研究與新技術（中英文），2024，13（2）：105-109.

［24］ 閆立楠，杜林，張遜，等.肺癌合并冠心病的風險因素及治療進展［J］.中國胸心血管外科臨床雜志，2024，31（8）：1229-1234.

［25］ 張賀翔，張美玉，吳瓊，等.芪參還五膠囊輔助治療冠心病心功能不全的短期臨床療效［J］.中西醫(yī)結(jié)合心腦血管病雜志，2024，22（12）：2212-2215.

［26］ 王珣，張遠恒，張弛.冠心病P2Y12基因多態(tài)性與氯吡格雷抵抗的相關性研究［J］.貴州醫(yī)藥，2019，43（1）：19-21.

［27］ 常書福.冠心病藥物治療進展［J］.中國臨床藥理學與治療學，2022，27（4）：405-408.

［28］ 王忠玲.探討分析冠心病介入治療的臨床研究進展［J］.中西醫(yī)結(jié)合心血管病電子雜志，2020，8（33）：75-76.

［29］ 王鈺碧.老年慢性冠脈綜合征診斷預測模型及中醫(yī)治療［D］.北京：北京中醫(yī)藥大學，2023.

［30］ 許海燕.冠心病病人的精細化管理［J］.中華老年心腦血管病雜志，2023，25（7）：673-675.

［31］ 王玉昆.不同他汀類藥物對冠心病病人動脈硬化程度、血脂水平的影響［J］.現(xiàn)代診斷與治療，2024，35（3）：387-389.

［32］ 李勇國，王艷飛，馬娟.冠心病病人β受體阻滯劑的應用研究及防治［J］.當代醫(yī)學，2016，22（33）：3.

［33］ 馮澤錕，趙茂翔，李雁潔，等.老年冠心病合并高血壓病人的臨床特征及其與全因死亡的關系［J］.中國分子心臟病學雜志，2024，24（3）：6090-6097.

［34］ 梁晶晶，李小娟.中醫(yī)藥治療糖尿病合并冠心病研究進展［J］.中國中醫(yī)藥現(xiàn)代遠程教育，2024，22（10）：164-167.

［35］ 趙娜，劉麗云，李愛歆.糖尿病合并冠心病治療的研究進展［J］.微量元素與健康研究，2023，40（4）：封2.

［36］ 王亞偉，田鋒.不同性別動脈粥樣硬化差異性研究進展［J］.中國現(xiàn)代神經(jīng)疾病雜志，2023，23（9）：864-871.

［37］ FENWICK A M.An interdisciplinary tool for assessing patients′ readiness for discharge in the rehabilitation setting［J］.Journal of Advanced Nursing，1979，4（1）：9-21.

［38］ 孫鴻燕，李帆，陶春花，等.金的達標理論在我國臨床護理實踐中的應用研究進展［J］.護理研究，2017，31（9）：1029-1031.

［39］ 高莉莉，周宇，劉夢雅，等.病人出院準備度干預策略的國內(nèi)外研究進展［J］.護理學報，2020，27（10）：28-31.

［40］ 姚麗，劉娟，李志宏，等.冠心病合并糖尿病病人出院準備度現(xiàn)狀及其影響因素研究［J］.全科護理，2020，18（8）：897-901.

［41］ 李展展，張永強，杜娟，等.人工智能冠脈CT血管成像在冠心病及其冠脈病變程度診斷中的一致性分析［J］.航空航天醫(yī)學雜志，2024，35（5）：526-528.

［42］ 房博，寧美，劉雨微，等.IMB模型在健康行為及疾病自我管理中的應用進展［J］.牡丹江醫(yī)學院學報，2022，43（3）：117-119.

［43］ 鐘春霞，魏清風，熊燕，等.基于IMB模型的出院準備計劃在結(jié)直腸癌永久性腸造口病人中的應用［J］.護理學雜志，2020，35（21）：1-4.

［44］ CHADDAD A，PENG J H，XU J，et al.Survey of explainable AI techniques in healthcare［J］.Sensors，2023，23（2）：634.

［45］ LI F，CHEN Y，XU H Z.Coronary heart disease prediction based on hybrid deep learning［J］.Review of Scientific Instruments，2024，95（1）：015115.

［46］ FORREST I S，PETRAZZINI B O，DUFFY á，et al.Machine learning-based marker for coronary artery disease：derivation and validation in two longitudinal cohorts［J］.Lancet，2023，401（10372）：215-225.

［47］ 岳海濤，何嬋嬋，成羽攸，等.基于機器學習的冠心病風險預測模型構(gòu)建與比較［J］.中國全科醫(yī)學，2024.DOI：10.12114/j.issn.1007-9572.2023.0323.

［48］ GAáNZ P，HEIDECKER B，HVEEM K，et al.Development and validation of a protein-based risk score for cardiovascular outcomes among patients with stable coronary heart disease［J］.JAMA，2016，315（23）：2532-2541.

［49］ OSEI A D，MIRBOLOUK M，BERMAN D，et al.Prognostic value of coronary artery calcium score，area，and density among individuals on statin therapy vs.non-users：the coronary artery calcium consortium［J］.Atherosclerosis，2021，316：79-83.

［50］ 羅秋實，朱紅玲，楊曉云.人工智能心電圖的現(xiàn)狀和未來［J］.臨床心電學雜志，2024，33（2）：120-125.

［51］ 李東，李慧瑤.解讀國際心血管CT協(xié)會“CAD-RADS冠狀動脈病變報告和數(shù)據(jù)系統(tǒng)”［J］.國際醫(yī)學放射學雜志，2016，39（6）：622-624.

［52］ BANCHHOR S K，LONDHE N D，ARAKI T，et al.Wall-based measurement features provides an improved IVUS coronary artery risk assessment when fused with plaque texture-based features during machine learning paradigm［J］.Computers in Biology and Medicine，2017，91：198-212.

［53］ 羅祎，何平平，李俊宜.人工智能在心血管疾病中的應用［J］.當代護士，2023，30（10）：17-20.

［54］ 李海娟.人工智能主體化的法律應對——以未來強人工智能的出現(xiàn)為視角［J］.對外經(jīng)貿(mào)，2022（10）：76-79.

［55］ 李琴蘭.“互聯(lián)網(wǎng)＋健康管理”模式探討及其應用［J］.中國社會醫(yī)學雜志，2018，35（1）：4-6.

［56］ 端木麗，馬永超.互聯(lián)網(wǎng)醫(yī)療發(fā)展現(xiàn)狀及前景調(diào)查分析［J］.醫(yī)學食療與健康，2019（16）：199-201.

［57］ 項高悅.“互聯(lián)網(wǎng)＋”在慢性病管理中的研究與應用［J］.中國中醫(yī)藥圖書情報雜志，2019，43（6）：6-9.

［58］ 程雪松，張瓊瑤.基于“互聯(lián)網(wǎng)＋”的醫(yī)聯(lián)體云平臺建設實踐［J］.中國數(shù)字醫(yī)學，2020，15（1）：80-82.

［59］ 申麗君，黃成鳳，李樂樂，等.縣域醫(yī)共體模式的探索與實踐——以安徽省天長市為例［J］.衛(wèi)生經(jīng)濟研究，2018（12）：7-11.

［60］ 寧靜，劉元杰，吳艷喬.四川大學華西第二醫(yī)院醫(yī)聯(lián)體遠程醫(yī)療的探索與思考［J］.現(xiàn)代臨床醫(yī)學，2020，46（3）：205-208.

［61］ 支麗華，邢美園，魏國慶，等.大型綜合醫(yī)院建設“以病人為中心”的互聯(lián)網(wǎng)醫(yī)院服務模式［J］.現(xiàn)代醫(yī)院，2020，20（7）：1016-1019.

［62］ 楊玉涵，李燕春，李雪松，等.移動健康在冠心病病人健康管理中的應用研究進展［J］.中國臨床護理，2024，16（2）：130-133.

［63］ 程靜，湯秀梅.“互聯(lián)網(wǎng)＋”健康管理干預模式對冠心病病人的影響［J］.中國醫(yī)藥導報，2019，16（23）：160-163.

［64］ CANFELL O J，WOODS L，MESHKAT Y，et al.The impact of digital hospitals on patient and clinician experience：systematic review and qualitative evidence synthesis［J］.Journal of Medical Internet Research，2024，26：e47715.

［65］ 翟家明，孫煌，彭云珠.可穿戴遠程監(jiān)測設備在心血管疾病的研究進展［J］.心血管病學進展，2020，41（5）：448-451.

［66］ MATTISON G，CANFELL O，F(xiàn)ORRESTER D，et al.The influence of wearables on health care outcomes in chronic disease：systematic review［J］.Journal of Medical Internet Research，2022，24（7）：e36690.

［67］ 張家齊，賴秋玲.移動式云端健康管理對冠心病病人PCI術后營養(yǎng)狀況、飲食行為依從性的影響［J］.當代護士，2023，30（3）：70-73.

［68］ BRANDS M R，GOUW S C，BEESTRUM M，et al.Patient-centered digital health records and their effects on health outcomes：systematic review［J］.Journal of Medical Internet Research，2022，24（12）：e43086.

［69］ 李梅，金鴻雁.“互聯(lián)網(wǎng)＋”重構(gòu)醫(yī)療服務新模式在研究型醫(yī)院中的應用與發(fā)展［J］.中國研究型醫(yī)院，2020，7（5）：71-73.

［70］ 李琦喆，田淑卿.智慧互聯(lián)網(wǎng)醫(yī)院新模式的探討——以寧夏銀川市為例［J］.現(xiàn)代醫(yī)院管理，2018，16（4）：29-32.

［71］ TANDON A，DE FERRANTI S D.Wearable biosensors in pediatric cardiovascular disease［J］.Circulation，2019，140（5）：350-352.

［72］ 余濱賓，鄭瑜，溫華聰，等.可穿戴式設備uCare與動態(tài)心電圖檢測的臨床對比研究［J］.中國康復醫(yī)學雜志，2017，32（1）：39-43.

［73］ DOLEGA-DOLEGOWSKI D，PRONIEWSKA K，DOLEGA-DOLEGOWSKA M，et al.Application of holography and augmented reality based technology to visualize the internal structure of the dental root--a proof of concept［J］.Head & Face Medicine，2022，18（1）：12.

［74］ YE W，ZHANG X，LI T，et al.Mixed-reality hologram for diagnosis and surgical planning of double outlet of the right ventricle：a pilot study［J］.Clinical Radiology，2021，76（3）：237.e1-237237.e7.

［75］ 馬璐，秦慶祝，范曉青，等.冠心病病人多學科健康管理效果及再住院時間預測模型構(gòu)建［J］.齊魯護理雜志，2023，29（5）：32-36.

［76］ EURLINGS C G M J，BEKTAS S，SANDERS-VAN WIJK S，et al.Use of artificial intelligence to assess the risk of coronary artery disease without additional（non-invasive） testing：validation in a low-risk to intermediate-risk outpatient clinic cohort［J］.BMJ Open，2022，12（9）：e055170.

［77］ CHOI B G，PARK J Y，RHA S W，et al.Pre-test probability for coronary artery disease in patients with chest pain based on machine learning techniques［J］.International Journal of Cardiology，2023，385：85-93.

［78］ WINTHER S，SCHMIDT S E，RASMUSSEN L D，et al.Validation of the European Society of Cardiology pre-test probability model for obstructive coronary artery disease［J］.European Heart Journal，2021，42（14）：1401-1411.

［79］ ROWLAND T，NIELSEN-FARRELL J，CHURCH K，et al.Technology-enabled population health management： two communities′ use of an electronic care alert system［J］.PM & R，2017，9（5S）：S75-S84.

［80］ 王艷，何雪，趙翰鵬，等.基于多模態(tài)眼底影像數(shù)據(jù)的人工智能在心血管疾病診療中的應用研究［J］.中國胸心血管外科臨床雜志，2023，30（9）：1344-1350.

（收稿日期：2024-08-10）

（本文編輯 王麗）