【专题评论】人工智能技术在心血管危急重症中的应用、挑战与展望

心血管危急重症的发病机制复杂多样且患者异质性大 ^［ 1 ］ 。对心血管危急重症进行早期预警、诊断及干预具有重要临床意义。传统的诊疗手段存在诸多局限性，如预警及诊断准确率不够理想、个体化治疗难以实现等 ^［ 2 ］ 。随着大数据和计算机技术的飞速发展，人工智能（artificial intelligence，AI）在医疗领域的应用成为可能，特别是在心血管疾病的诊断和治疗中展现出了巨大的潜力 ^［ 3 ］ 。AI是一种模拟和扩展人类智能的计算机技术，能够从海量数据中发现并学习潜在规律，从而做出预测或优化决策 ^［ 4 ］ 。在疾病的预警和诊断领域，不同的机器学习和深度学习模型被广泛应用于处理多种数据类型和任务。随机森林、全连接网络常用于处理人口统计学数据、重要体征、实验室检验等静态截面数据 ^［ 5 ］ ；卷积神经网络（convolutional neural network，CNN）在医学影像分析中表现尤为突出，广泛应用于X射线影像、超声心动图、CT等影像学数据的处理 ^［ 6 ］ ；循环神经网络（recurrent neural network，RNN）、Transformer则适用于具有时间维度的序列信号 ^{［ 7 , 8 ］} 。在疾病治疗方面，强化学习可根据患者的实时反馈和变化动态调整治疗方案，致力于实现精准化、个性化治疗 ^［ 9 ］ 。k-近邻算法作为经典的无监督聚类算法，可根据疾病的症状、基因表达、治疗反应等特征识别新的疾病亚型 ^［ 10 ］ 。

一、心血管危急重症的特点及诊疗难点

常见的心血管危急重症包括但不限于急性冠脉综合征、急性心力衰竭、脓毒症继发心功能障碍等。心血管危急重症的病程进展特点与一般心血管疾病存在明显差异。一方面，心血管危急重症的病程进展极其迅猛，在短时间内可能迅速从初始症状恶化至危及生命的状态，故对救治效率的要求较一般心血管疾病更高。另一方面，心血管危急重症的发病机制极其复杂且多样，不同个体可能具有截然不同的临床表现、进展路径以及治疗反应。诊断心血管危急重症需要综合考虑临床症状、体征、心电图、超声心动图等多种类型的检查结果。在治疗策略的决策方面，心血管危急重症的首要治疗目标是稳定血流动力学，可能需要使用血管活性药物和正性肌力药物来支持循环系统功能 ^［ 11 ］ ，甚至还涉及到抗生素治疗感染或介入治疗等多种疗法。

总之，相较于一般心血管疾病，心血管危急重症进展速度快、发病机制复杂、患者异质性高，这要求诊疗具有更高的响应速度和准确性。面对这一挑战，AI凭借其快速的数据处理能力和高度精确的模式识别技术，展现出了独特的优势。能够迅速整合并分析多种海量医疗数据，发现人类难以识别的细微临床特征，从而在诊断过程中提供更为精确和全面的视角，有望用于进一步提升心血管危急重症的诊疗水平。

二、AI在心血管危急重症中的应用

1.AI在心血管危急重症预警中的应用：经典的AI预警技术是基于时序数据完成的，时序数据是指具有时间顺序的数据。AI模型通过捕捉数据在过去一段时间的变化特点，进而预测其未来的发展趋势。时序数据的分析与识别通常采用RNN架构或Transformer架构。心电图是心血管领域典型的时序数据，Saadatnejad等 ^［ 12 ］ 使用LSTM（RNN的改进模型）分析心电图以预测心律失常的发生，对室性早搏和室上性早搏的预测准确度超过99%。

但常规的时序数据分析技术不完全适用于心血管危急重症。因为相较于一般心血管疾病，心血管危急重症的进展更快、异质性更高，导致时序数据长度较短、缺失比例较高等。常规时序模型难以处理这类问题。因此在处理心血管危急重症相关问题时，会通过取平均值、标准差等方法将时序数据转换为截面数据，后采用截面数据模型处理。常用的截面数据处理模型主要包括以全连接网络为代表的神经网络结构和以随机森林、XGBoost、CatBoost为代表的树结构。Hendrickson等 ^［ 13 ］ 仅基于心脏功能障碍史及极少量特征即建立了心功能障碍的预警模型，受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUROC）达到0.77，表明心脏功能障碍史是预测心血管危急重症的重要截面特征。Ruiz等 ^［ 14 ］ 开发的C-WIN（Cardiac-intensive-care Warning INdex）系统，通过呼吸频率、血氧饱和度、心率等特征预警先天性心脏病患儿的紧急事件（心肺复苏、紧急气管插管和体外膜氧合），模型的AUROC介于0.73~0.88，在事件发生前1 h模型的AUROC达到0.88（95% CI 0.84~0.92），敏感度为84%，特异度为81%。

2.AI在心血管危急重症诊断中的应用：预警与诊断的概念相近，但侧重点不同。预警捕捉数据变化特点并预测数据发展趋势，侧重于前瞻性，故常采用时序数据；诊断通过分析现阶段的生理特点并识别对应疾病种类，侧重于准确性。在心血管危急重症的诊断过程中，影像学技术扮演着重要角色。影像结果通常属于图像数据，具有X、Y两个维度。CNN等能够自动提取图像关键特征的神经网络是处理此类数据的首选方法。VGG16是一种非常经典的CNN架构，Matsumoto等 ^［ 15 ］ 用其自动分析患者的胸部X线图像以诊断心力衰竭，并辅以数据增强以及迁移学习技术，模型的准确率、敏感度、特异度分别达到82%、75%、94%。Kusunose等 ^［ 16 ］ 采用多种CNN的结构，包括ResNet、DenseNet、Inception等处理超声心动图来检测区域壁运动异常以及冠状动脉阻塞。结果表明，ResNet检测区域壁运动异常的能力与心脏病专家、超声医师相近（AUROC分别为0.99和0.98）。除影像学技术外，心电图同样广泛用于心血管疾病的诊断。Xie等 ^［ 17 ］ 采用基于CNN与RNN的融合模型处理心电图，先使用小波变换去除图像噪声，后使用CNN提取心电图节拍内特征，使用双向RNN提取节拍间特征，诊断室性早搏的敏感度达到98.7%，精确度达到96.4%，诊断室上性早搏的敏感度为92.8%，精确度为81.9%。

3.AI在心血管危急重症治疗中的应用：心血管危急重症复杂的发病机制以及较高的异质性给治疗方案决策增加了难度。心血管危急重症的治疗重点在于维持基本生命体征。常用的治疗手段包括液体复苏、予以血管升压药等 ^［ 11 ］ 。强化学习通过学习最佳行为策略来最大化长期累积奖励，常用于辅助决策心血管危急重症患者的液体复苏策略以及血管升压药使用策略。Komorowski等 ^［ 18 ］ 采用强化学习辅助医生为脓毒症患者选择复苏容量以及制定血管收缩药物使用策略，有效提升了患者的90 d生存率。Raghu等 ^［ 19 ］ 进一步发展了采用连续状态空间的强化学习方法，利用自编码器生成患者生理状态的隐藏信息，采用Dueling Double-Deep Q-Network（一种强化学习策略）直接从连续状态空间中学习合适的输液策略以及血管活性药物使用策略，并证明采用该策略可将患者死亡率降低1.8%~3.6%。为避免过度液体复苏导致肺水肿、肾衰竭等并发症，Lin等 ^［ 20 ］ 将患者的人口统计学特征、生命体征、实验室检验结果等参数输入XGBoost模型，预测液体复苏后的尿量，从而为临床液体复苏策略提供了指导。

针对心血管危急重症的异质性问题，研究者常采用聚类技术进行亚型分析，即依照疾病发展特点、生理参数变化模式等因素将心血管危急重症分为若干亚型，针对每种亚型分别研究、对症下药，以达到降低异质性的目的。Cikes等 ^［ 21 ］ 通过对超声心动图以及患者生理参数进行无监督聚类分析，将心力衰竭分为4种亚型；Pimor等 ^［ 22 ］ 按照瓣膜手术预后情况将患者分为3种亚型，心血管疾病的亚型分析为精准化治疗提供了重要参考。

4.AI在心血管危急重症预后预测中的应用：预后预测是临床治疗过程中的重要环节，其基本技术手段与预测相近，均侧重于前瞻性。死亡风险是预后预测最常用的指标。Liu等 ^［ 23 ］ 使用多种机器学习方法预测心肾综合征患者的1年死亡风险，其中随机森林的AUROC达到了0.854。张颖莹等 ^［ 24 ］ 构建的脓毒症继发心肾综合征患者死亡风险预测模型也达到了同等性能，随机森林的AUROC为0.868。Lin等 ^［ 25 ］ 使用CNN处理心电图信号，建立了心血管疾病死亡风险预测模型AI-ECG，研究结果显示使用AI-ECG预警信号辅助治疗决策可显著降低患者90 d全因死亡率。Diller等 ^［ 26 ］ 使用LSTM挖掘医疗记录文本信息，并将计算得到的疾病严重程度评分连同人口统计学参数、心电图、心肺运动测试参数以及实验室检验指标输入多元Cox生存模型，该模型可用来评估心血管功能障碍人群的疾病严重程度，并推荐治疗方案以及预测预后情况。

三、AI在心血管危急重症中的挑战及解决方案

尽管AI技术已经广泛应用于心血管危急重症领域，但仍面临诸多挑战，其中一部分是医疗领域的共性问题，一部分是心血管危急重症自身特点导致的个性问题。

就共性问题而言，首先是医疗数据底座欠佳、缺乏统一标准。当前数据收集往往是分散的、非标准化的，这导致了数据的不一致和难以比较。不同的医疗机构可能使用不同的设备和记录方法来收集患者的临床资料，因而这些数据的格式、精度和完整性可能不同。此外，数据标准的不统一使得数据整合和跨机构分析变得复杂，影响了数据的互操作性和可利用性。其次是医疗问题缺乏统一解决方案。目前大多数现有的模型和系统都是针对特定的任务设计的，将预警、诊断、治疗、预后预测隔离开来。这种不统一的处理方式可能导致信息孤岛，使得医疗决策过程中的数据整合和流程协调变得复杂。为此，需要进一步强化医疗机构之间的协同研究能力，建立统一的医学数据收集标准与模型，构建广覆盖、多中心、多人群的医学数据库。

就个性问题而言，由于心血管危急重症发病机制复杂、疾病进展快、异质性大的特点，其需求不同于一般心血管疾病。AI模型需要纳入更广泛的数据，通常需要联合考虑实验室检验、心电图、影像甚至基因组学等多种模态数据。而现阶段一般心血管疾病的AI模型主要局限于单模态数据。另外，一般性心血管疾病的病程进展相对较慢，可提供的采样点较多，通常属于长程预测问题，相关AI模型侧重于对时间序列的周期分解以及趋势检测。而心血管危急重症的病程发展往往极快，在采样频率相同的情况下，采样点较少，相关预警问题通常属于短程预测，其周期不明显，通常关注患者状态的变化趋势，有时采样点甚至不足5个，在这种情况下基于时序数据的AI模型与基于截面数据的AI模型比较没有优势。另一方面，心血管危急重症患者通常具有较高的异质性，需要根据病因有针对性地进行治疗。例如冠脉综合征的治疗重点在于抗栓并恢复心脏再灌注，心力衰竭的治疗重点在于改善心功能、减轻心脏负荷，脓毒症继发心功能障碍等感染导致的疾病的治疗重点在于早期抗感染。因此，开展专病研究、推动心血管危急重症个性化治疗，对于提升心血管危急重症的诊疗水平具有重要意义。

近年来，以生成式预训练模型和双向编码表示模型为代表的大语言模型（large language model，LLM）受到广泛关注 ^［ 27 ］ 。LLM是一种具有海量参数（通常包含十亿到数百亿个参数）和复杂结构的机器学习模型，通过在大规模数据上进行预训练，理解语言的普遍特征和语义表示，从而学习到生成连贯文本序列和自然语言响应的能力，具有“大规模”“预训练”“生成式”“语言模型”4个特点。相较于传统模型，LLM表现出了强大的上下文感知能力，能够从短时序列中抽取心血管危急重症的疾病发展趋势，有望进一步提升AI模型的响应速度。同时，LLM的多模态融合能力使得模型能够同时考虑主诉、检验、影像、基因组学等多种形式的数据形式，为实现更高水平的心血管危急重症个性化治疗提供技术支持。基于LLM的思维链技术还可理解医学专家的思维方式及决策过程，使模型具有更强的可信度、透明性以及可解释性。近年来，Med-PaLM 2通过学习大量医学文献、病历和专家注释数据，能够为医疗问题产生高质量的回答，成功通过了美国执业医师资格考试 ^［ 28 ］ 。大语言模型ChatGPT可用于10年心血管疾病风险的预测，在缺失部分数据的前提下，也能达到与传统模型相当的性能 ^［ 29 ］ 。未来，推动以LLM为代表的AI模型进一步用于心血管危急重症临床实践是发展新时代现代化医学的重要命题。

心血管危急重症具有发病机制复杂、患者异质性大、病程发展快的特点。AI技术在心血管危急重症预警、诊断、治疗以及预后预测的全流程医疗实践中展现出巨大潜力，为提升心血管危急重症诊疗水平带来了机遇。通过分析临床文本、病历记录、医学影像和实验室检验结果等数据，AI模型能够帮助医生提高诊断准确性、制定个性化治疗方案，并为疾病管理提供决策支持。此外，LLM在处理海量医学数据、识别疾病发展特点以及融合多模态医疗数据等多方面展现出独特的优势，有望进一步提升心血管危急重症的诊疗水平。

利益冲突所有作者声明无利益冲突

编辑：白 洋

审核：白 洋

《中华心血管病杂志》“优秀科研成果优先出版平台”投稿 

《中华心血管病杂志》2025年1期至2026年6期重点号安排

征文启事｜《中华心血管病杂志》2024年12期“遗传性心血管病”重点号

征文启事丨《中华心血管病杂志》2025年第1期“高血压流行病学”重点号

征文启事丨《中华心血管病杂志》2025年2期“主动脉疾病”重点号征文启事

征文启事丨《中华心血管病杂志》2025年第3期“急性冠脉综合征残余风险管理”重点号

征文启事丨《中华心血管病杂志》2025年第4期“瓣膜病介入治疗”重点号

征文启事丨《中华心血管病杂志》2025年5期“冠状动脉腔内影像与功能学”重点号征文启事

征文启事丨《中华心血管病杂志》2025年第6期“心血管转化医学”重点号

征文启事丨《中华心血管病杂志》2025年第7期“心肌病与心包疾病”重点号

征文启事丨《中华心血管病杂志》2025年8期“肿瘤心脏病学”重点号

更新-如何在中国知网（CNKI）检索《中华心血管病杂志》文章

如何在万方数据检索《中华心血管病杂志》文章

如何在中华医学期刊全文数据库检索《中华心血管病杂志》文章

投稿网址

www.editorialmanager.com/cardiodiscovery

作者须知

https://edmgr.ovid.com/cardiologydiscovery/accounts/ifauth.htm