123,123

人工智能發(fā)展應(yīng)用的趨勢(shì)分析

2021-12-10點(diǎn)擊量：315

隨著專家們更多地了解大數(shù)據(jù)和智能算法的可能性，人工智能(AI)已經(jīng)呈現(xiàn)出許多新的形態(tài)和應(yīng)用趨勢(shì)。因此，今天的人工智能市場(chǎng)由久經(jīng)考驗(yàn)的智能技術(shù)與新的優(yōu)化和先進(jìn)的人工智能組成，這些技術(shù)正在慢慢改變我們的工作和日常生活方式。2021年有哪些對(duì)AI的未來最讓人興奮的應(yīng)用趨勢(shì)呢？人工智能應(yīng)用的5大趨勢(shì)1.智能和超級(jí)自動(dòng)化的業(yè)務(wù)流程憑借其基于智能編程和算法遵循基本任務(wù)和例程的能力，人工智能正逐漸嵌入組織自動(dòng)化其業(yè)務(wù)流程的方式中。AIOps和MLops是AI和自動(dòng)化的常見用例，但AI可以在企業(yè)中實(shí)現(xiàn)自動(dòng)化的廣度和深度正在迅速增長(zhǎng)。全球數(shù)字服務(wù)和咨詢公司Infosys的高級(jí)副總裁BaliDR認(rèn)為，人工智能正在朝著一定程度的超級(jí)自動(dòng)化（hyper-automation）發(fā)展，部分原因是為了應(yīng)對(duì)疫情爆發(fā)導(dǎo)致的人工數(shù)據(jù)和程序的意外變化。根據(jù)Gartner的定義，超級(jí)自動(dòng)化是將機(jī)器人流程自動(dòng)化（RPA）、智能業(yè)務(wù)管理（IBMPS）、人工智能及高級(jí)分析集合到一起。由AI和ML拓展的RPA成為超級(jí)自動(dòng)化的核心賦能技術(shù)。將RPA和AI技術(shù)結(jié)合起來，為自動(dòng)化提供了強(qiáng)大影響力和靈活性，使之能夠在此前從未成功過的地方實(shí)現(xiàn)自動(dòng)化：依賴于非結(jié)構(gòu)化數(shù)據(jù)輸入的無記錄流程。"我們正處于人工智能的第二個(gè)拐點(diǎn)——從消費(fèi)級(jí)人工智能走向企業(yè)級(jí)人工智能。"DR認(rèn)為，"由于過度依賴手動(dòng)程序，例如航空業(yè)的大規(guī)模重新安排、銀行前所未有的貸款申請(qǐng)等，這些行業(yè)現(xiàn)在正在轉(zhuǎn)向?qū)C(jī)器人流程自動(dòng)化與現(xiàn)代機(jī)器學(xué)習(xí)相結(jié)合的超級(jí)自動(dòng)化，以確保他們可以更好地應(yīng)對(duì)未來的劇烈變化。"盡管AI自動(dòng)化仍主要限于面向任務(wù)的自動(dòng)化，工具方面幾乎不需要想象或猜測(cè)，但一些專家認(rèn)為，我們正在向更多智能自動(dòng)化的應(yīng)用靠攏。知名分析和人工智能軟件公司SAS的人工智能總監(jiān)DavidTareen對(duì)智能自動(dòng)化的未來有以下看法："智能自動(dòng)化將是未來發(fā)展的一個(gè)重要領(lǐng)域，"Tareen說，"就像我們自動(dòng)化的生產(chǎn)制造一樣，我們將大量使用人工智能來實(shí)現(xiàn)知識(shí)工作的自動(dòng)化。"復(fù)雜性來自于知識(shí)工作具有高度的可變性。例如，一個(gè)企業(yè)會(huì)以不同的方式接收關(guān)于他們的產(chǎn)品或服務(wù)的反饋，而且通常也使用不同的語言。人工智能需要實(shí)時(shí)接受、理解和修改流程，然后才能實(shí)現(xiàn)知識(shí)工作的自動(dòng)化。2.強(qiáng)調(diào)負(fù)責(zé)任的人工智能開發(fā)由于大數(shù)據(jù)的深度和人工智能對(duì)它的依賴，不道德或準(zhǔn)備不充分的數(shù)據(jù)總是有可能進(jìn)入人工智能訓(xùn)練數(shù)據(jù)集或模型。隨著越來越多的公司認(rèn)識(shí)到創(chuàng)建以合規(guī)和合乎道德的方式開展AI業(yè)務(wù)的重要性，許多AI開發(fā)人員和服務(wù)提供商開始為其客戶提供負(fù)責(zé)任的AI解決方案。人工智能和混合云公司H2O.ai的營(yíng)銷高級(jí)副總裁ReadMaloney，解釋了到底什么是負(fù)責(zé)任的人工智能，以及企業(yè)為改善其人工智能道德而采取的一些不同舉措。"人工智能創(chuàng)造了令人難以置信的新機(jī)會(huì)來改善世界各地人們的生活，"Maloney說，"我們將降低風(fēng)險(xiǎn)的責(zé)任作為我們工作的核心，因此在我們的AI解決方案中建立公平性、可解釋性、安全性和隱私性是關(guān)鍵。"可解釋的AI和可解釋的ML：能夠在模型開發(fā)后對(duì)其進(jìn)行解釋，并提供透明的模型架構(gòu)，讓人類用戶既能理解數(shù)據(jù)又能信任結(jié)果。有道德的人工智能：在機(jī)器學(xué)習(xí)預(yù)測(cè)中提供社會(huì)學(xué)上的公平性（即一類人是否被不平等地加權(quán)，并消除人類的歷史偏見）。安全的AI：調(diào)試和部署ML模型，將安全和隱私放在首位。以人為本的人工智能：人工智能從人類輸入和協(xié)作中不斷學(xué)習(xí)。由于人工輸入并彌合了人與機(jī)器之間的差距，系統(tǒng)正在不斷改進(jìn)。合規(guī)性：確保人工智能系統(tǒng)符合相關(guān)監(jiān)管要求或法規(guī)。公司正在探索多種方法來讓他們的AI更負(fù)責(zé)任，大多數(shù)公司都從清理和評(píng)估數(shù)據(jù)集和現(xiàn)有AI模型開始。數(shù)據(jù)庫解決方案公司InfluxData的物聯(lián)網(wǎng)產(chǎn)品管理總監(jiān)BrianGilmore認(rèn)為，模型和數(shù)據(jù)集管理的最佳選擇之一是分布式賬本技術(shù)（DLT）。"隨著人們對(duì)AI的道德和文化影響的關(guān)注逐漸增強(qiáng)，一些企業(yè)開始投資于輔助但重要的技術(shù)，這些技術(shù)利用共識(shí)和其他信任保障系統(tǒng)作為AI框架的一部分，"Gilmore說，"例如，分布式賬本技術(shù)為模型和訓(xùn)練數(shù)據(jù)的完整性可審計(jì)證明提供了一個(gè)平臺(tái)。"DLT的去中心化所有權(quán)、訪問權(quán)限分配和共享責(zé)任可以為AI開發(fā)和應(yīng)用帶來全面的透明度。困境在于營(yíng)利性公司是否愿意參與社區(qū)模式，以透明度換取消費(fèi)者對(duì)人工智能等關(guān)鍵任務(wù)的信任。3.人工智能模型在解決全球問題方面的潛力到目前為止，人工智能最常用于優(yōu)化業(yè)務(wù)流程并為消費(fèi)者自動(dòng)化一些家庭日常事務(wù)。然而，一些專家開始意識(shí)到人工智能模型在解決全球問題方面的潛力。H2O.ai的ReadMaloney與來自不同行業(yè)的人合作，集思廣益，探討如何將人工智能用于更大的利益。"我們與許多志同道合的客戶、合作伙伴和組織合作，解決教育、保護(hù)、醫(yī)療保健等方面的問題，"Maloney說，"AIforgood不僅是我們工作的基礎(chǔ)，包括當(dāng)前在氣候變化、野火和颶風(fēng)預(yù)測(cè)方面的工作，而且我們看到越來越多的AI用于良好的工作，使整個(gè)AI行業(yè)的世界變得更美好。"目前，利他主意的人工智能的一些最令人興奮的應(yīng)用現(xiàn)在正在早期教育中實(shí)施。例如，人工智能驅(qū)動(dòng)的醫(yī)療保健和教育公司DMAI的首席執(zhí)行HelenThomas提供了一種人工智能驅(qū)動(dòng)的產(chǎn)品，以確保學(xué)齡前兒童獲得所需的教育，盡管可能會(huì)遇到大流行的挫折：除了包括成本和入學(xué)機(jī)會(huì)在內(nèi)的學(xué)前教育預(yù)先存在的障礙之外，最近的研究結(jié)果表明，在COVID-19大流行期間出生的兒童的智商得分低于2020年1月之前出生的兒童，這意味著幼兒對(duì)上學(xué)的準(zhǔn)備比以往任何時(shí)候都少前。"DMAIDBA動(dòng)物島學(xué)習(xí)冒險(xiǎn)(AILA)正在通過人工智能改變這一點(diǎn)。利用認(rèn)知AI以一致和重復(fù)的格式提供適當(dāng)?shù)恼n程，支持自然學(xué)習(xí)模式。"Thomas說。4.AIoT：人工智能和物聯(lián)網(wǎng)協(xié)同工作物聯(lián)網(wǎng)（IoT）設(shè)備在企業(yè)和個(gè)人用戶中變得非常普遍，但許多科技公司仍在努力解決的是如何從這些設(shè)備不斷流入的數(shù)據(jù)中收集可操作的見解。AIoT（人工智能物聯(lián)網(wǎng)），或?qū)⑷斯ぶ悄芘c物聯(lián)網(wǎng)產(chǎn)品相結(jié)合的想法，是一個(gè)開始解決這些未使用數(shù)據(jù)池的領(lǐng)域，賦予人工智能快速、智能地轉(zhuǎn)換這些數(shù)據(jù)的能力。AIoT融合AI技術(shù)和IoT技術(shù)，通過物聯(lián)網(wǎng)產(chǎn)生、收集來自不同維度的、海量的數(shù)據(jù)存儲(chǔ)于云端、邊緣端，再通過大數(shù)據(jù)分析，以及更高形式的人工智能，實(shí)現(xiàn)萬物數(shù)據(jù)化和智聯(lián)化。工業(yè)AI解決方案公司AspenTech的高級(jí)副總裁兼AIoT總經(jīng)理BillScudder認(rèn)為，AIoT是實(shí)現(xiàn)更智能、實(shí)時(shí)業(yè)務(wù)決策的最關(guān)鍵領(lǐng)域之一。Forrester指出，在企業(yè)內(nèi)部收集的所有數(shù)據(jù)中，多達(dá)73%未被使用，這凸顯了物聯(lián)網(wǎng)的一個(gè)關(guān)鍵挑戰(zhàn)。隨著連接設(shè)備的數(shù)量不斷增加（例如，在工業(yè)物聯(lián)網(wǎng)環(huán)境中），從這些設(shè)備收集的數(shù)據(jù)量也在增加。"這導(dǎo)致了許多行業(yè)都出現(xiàn)了一種趨勢(shì)：需要結(jié)合人工智能和物聯(lián)網(wǎng)。原因如下：物聯(lián)網(wǎng)允許連接設(shè)備從各種來源創(chuàng)建和傳輸數(shù)據(jù)，人工智能可以更進(jìn)一步，將數(shù)據(jù)轉(zhuǎn)化為可操作的見解，以推動(dòng)更快、更智能的業(yè)務(wù)決策。這使得對(duì)AIoT的需求呈上升趨勢(shì)。"Scudder說。5.決策智能的出現(xiàn)決策智能(DI)是最新的人工智能概念之一，通過使用AI模型來分析廣泛的商業(yè)數(shù)據(jù)集，它使許多當(dāng)前的業(yè)務(wù)優(yōu)化更進(jìn)了一步。這些分析用于預(yù)測(cè)從產(chǎn)品到客戶再到供應(yīng)鏈的各個(gè)方面的未來結(jié)果。商業(yè)AI解決方案提供商Peak公司的數(shù)據(jù)科學(xué)團(tuán)隊(duì)負(fù)責(zé)人SorchaGilroy解釋說，盡管決策智能是一個(gè)相當(dāng)新的概念，但由于其詳細(xì)的商業(yè)智能（BI）產(chǎn)品，它已經(jīng)受到大型企業(yè)的青睞。"決策智能是一種新的軟件類別，可促進(jìn)人工智能的商業(yè)應(yīng)用，為用戶提供預(yù)測(cè)洞察力和推薦行動(dòng)。"Gilroy說，它以結(jié)果為中心，這意味著解決方案必須滿足業(yè)務(wù)需求才能被歸類為DI。經(jīng)過Gartner和IDC的認(rèn)可，決策智能有可能成為世界上最大的軟件類別，并已被企業(yè)在各種應(yīng)用案例中使用，從個(gè)性化購(gòu)物者體驗(yàn)到簡(jiǎn)化復(fù)雜的供應(yīng)鏈等等。眾所周知，耐克、百事可樂和ASOS等品牌已經(jīng)在使用DI。本文由培訓(xùn)無憂網(wǎng)長(zhǎng)沙牛耳教育專屬課程顧問整理發(fā)布，希望能夠?qū)ο雲(yún)⒓娱L(zhǎng)沙大數(shù)據(jù)分析培訓(xùn)的學(xué)生有所幫助。更多大數(shù)據(jù)分析培訓(xùn)課程資訊歡迎關(guān)注培訓(xùn)無憂網(wǎng)大數(shù)據(jù)人工智能培訓(xùn)頻道或添加老師微信：1503333605010...

人工智能在心血管疾病特定領(lǐng)域的應(yīng)用

2021-12-10點(diǎn)擊量：310

人工智能（artificialintelligence，AI）是基于計(jì)算機(jī)科學(xué)來模擬人腦學(xué)習(xí)知識(shí)、儲(chǔ)存知識(shí)、思考規(guī)劃的思維過程的一種技術(shù)。人工智能包括一系列技術(shù)：機(jī)器學(xué)習(xí)（machinelearning，ML）、深度學(xué)習(xí)（deeplearning，DL）、自然語言處理（NLP）、認(rèn)知計(jì)算、計(jì)算機(jī)視覺和機(jī)器人等。近年來，人工智能技術(shù)發(fā)展突飛猛進(jìn)，自動(dòng)駕駛、人臉識(shí)別、文本處理等已經(jīng)出現(xiàn)在我們的生活領(lǐng)域。然而，與金融技術(shù)、信息技術(shù)和航空航天等其他行業(yè)相比，人工智能在醫(yī)療領(lǐng)域的應(yīng)用速度相對(duì)緩慢。目前，人工智能在心臟病學(xué)中的應(yīng)用主要包括兩個(gè)方面，一是基于電子健康記錄和醫(yī)學(xué)圖像等來源的ML/DL、NLP和認(rèn)知計(jì)算等，另一個(gè)代表是介入機(jī)器人。人工智能在心血管疾病特定領(lǐng)域的當(dāng)前和未來應(yīng)用：（1）超聲心動(dòng)圖超聲心動(dòng)圖可以便捷、及時(shí)、經(jīng)濟(jì)地評(píng)估心臟結(jié)構(gòu)和功能，在診斷和評(píng)價(jià)心血管疾病方面有重要價(jià)值。然而，超聲心動(dòng)圖在圖像質(zhì)量和診斷效用方面仍存在相當(dāng)大的變異性。超聲心動(dòng)圖仍然高度依賴于操作者的經(jīng)驗(yàn)，因此，通過人工智能，可以進(jìn)行增強(qiáng)和標(biāo)準(zhǔn)化超聲心動(dòng)圖評(píng)價(jià)。隨著ML方法的成熟，包括卷積神經(jīng)網(wǎng)絡(luò)用于圖像分類，臨床超聲心動(dòng)圖數(shù)據(jù)的累積量增加，給超聲心動(dòng)圖人工智能平臺(tái)的研發(fā)提供了充足的機(jī)會(huì)。這方面的創(chuàng)新可以通過自動(dòng)測(cè)量、病理特征（瓣膜疾病、局部室壁運(yùn)動(dòng)異常、心肌病）的識(shí)別在治療中快速應(yīng)用，可以改進(jìn)和標(biāo)準(zhǔn)化目前流程。超聲心動(dòng)圖人工智能研究的優(yōu)勢(shì)和前景在于識(shí)別可能提示亞臨床疾病或預(yù)后的細(xì)微或未被識(shí)別的影像學(xué)特征。盡管人工智能模型的性能一直在持續(xù)改善，但要承認(rèn)的是，人工智能必須克服一些重要的挑戰(zhàn)，才能安全地應(yīng)用于臨床實(shí)踐。與任何模型一樣，研發(fā)數(shù)據(jù)的質(zhì)量和臨床特征是必須的參考因素。超聲心動(dòng)圖相關(guān)的數(shù)據(jù)數(shù)量大且復(fù)雜，一個(gè)強(qiáng)大的超聲心動(dòng)圖人工智能平臺(tái)將需要對(duì)大量研究進(jìn)行培訓(xùn)和驗(yàn)證，這些研究包括廣泛的臨床特征、病理特征、超聲機(jī)器供應(yīng)商和圖像質(zhì)量等。目前關(guān)于超聲心動(dòng)圖人工智能的研究通常存在樣本規(guī)模小，受機(jī)構(gòu)、地理因素、超聲心動(dòng)圖機(jī)器品牌限制等，這就可能存在過度融合和限制平臺(tái)通用性的風(fēng)險(xiǎn)。此外，目前超聲心動(dòng)圖研究很大程度上依賴于人的解釋，人在解釋和測(cè)量方面存在內(nèi)在的差異性。超聲心動(dòng)圖人工智能代表了一個(gè)激動(dòng)人心的機(jī)會(huì)，它將徹底改變臨床實(shí)踐。經(jīng)過驗(yàn)證的超聲心動(dòng)人工智能模型將有能力提高質(zhì)量，進(jìn)行即時(shí)醫(yī)療決策，并促進(jìn)公平獲得診斷評(píng)價(jià)。預(yù)計(jì)超聲心動(dòng)圖人工智能將影響患者診治，期待相關(guān)改善臨床結(jié)果和成本效益的臨床研究。（2）心臟核醫(yī)學(xué)與心臟病學(xué)的其他學(xué)科不同，人工智能技術(shù)已經(jīng)被納入心臟核醫(yī)學(xué)的一些常規(guī)操作。人工智能算法已被應(yīng)用于圖像處理，允許進(jìn)行完全自動(dòng)的單光子發(fā)射計(jì)算機(jī)斷層掃描（SPECT）、心肌灌注成像（MPI）運(yùn)動(dòng)校正、重建、量化和高水平分析。商業(yè)化和美國(guó)食品藥物管理局批準(zhǔn)的圖像軟件已經(jīng)納入正常心肌灌注分布的數(shù)據(jù)庫，為專家讀者提供計(jì)算機(jī)輔助診斷工具，用于識(shí)別低灌注心肌。這些類型的自動(dòng)化，機(jī)器學(xué)習(xí)的數(shù)字圖像數(shù)據(jù)，以及人工智能算法的SPECTMPI數(shù)據(jù)，單獨(dú)使用或者結(jié)合臨床特點(diǎn)，進(jìn)一步提高了冠心病診斷的預(yù)后判斷價(jià)值，為是否血運(yùn)重建提供合理的臨床決策依據(jù)。1）提高診斷性能：在一項(xiàng)單中心研究中，ML算法包含成像變量（通過定量軟件進(jìn)行的靜息和壓力SPECT的灌注缺失、缺血變化和射血分?jǐn)?shù)變化）在總體患者診斷準(zhǔn)確性方面優(yōu)于單個(gè)定量成像參數(shù)（86%vs81%；P＜0.01）。ML算法檢測(cè)阻塞性CAD的曲線下總面積（AUC）（0.92±0.01）也顯著高于兩個(gè)人工讀片者（0.87±0.01和0.88±0.01；P＜0.05）。使用不同的數(shù)據(jù)集，同一組人創(chuàng)建了集成臨床和成像變量（由自動(dòng)化軟件生成的總灌注不足[TPD]）的人工智能算法。研究證明ML（87.3%±2.1%）的準(zhǔn)確性高于一個(gè)或者兩個(gè)專家讀片者（82.1%±2.2%）或自動(dòng)TPD（82.8%±2.2%）。在檢測(cè)檢測(cè)阻塞性CAD方面有更高的敏感性。一項(xiàng)1638名參與的多中心研究顯示：無已知CAD的患者使用SPECT掃描儀也發(fā)現(xiàn)與傳統(tǒng)相比，深度學(xué)習(xí)（DL）利用原始和定量的MPI極地圖的AUC值均更高�；谶@些研究，人工智能算法在預(yù)測(cè)梗阻性CAD方面比目前的臨床方法提高了約2.5%。其他研究發(fā)現(xiàn)一致，與專家醫(yī)師視覺分析相比，訓(xùn)練有素的神經(jīng)網(wǎng)絡(luò)在識(shí)別特定冠狀動(dòng)脈狹窄病變引起的低灌注分布方面具有類似的良好性能。2）治療和預(yù)后預(yù)測(cè)：在首次MPI掃描后90天內(nèi)進(jìn)行相關(guān)侵入性血管造影的713例SPECTMPI研究中，人工智能方法也被用于預(yù)測(cè)疑似CAD患者的早期血運(yùn)重建。通過ML算法對(duì)幾個(gè)自動(dòng)衍生的影像學(xué)變量和臨床參數(shù)進(jìn)行整合，包括性別、高血壓和糖尿病史、基線心電圖ST段壓低、運(yùn)動(dòng)心電圖和臨床變化（總共33個(gè)變量），以預(yù)測(cè)血運(yùn)重建事件。ML預(yù)測(cè)血流量重建的AUC（0.81±0.02）與單個(gè)醫(yī)生的AUC（0.81±0.02）相近，優(yōu)于另一個(gè)醫(yī)生的AUC（0.72+0.02；P＜0.05）。因此，在本研究中，ML在預(yù)測(cè)MPI后早期血運(yùn)重建方面與有經(jīng)驗(yàn)的醫(yī)生相當(dāng)或更好。在預(yù)后方面，Betancur等人研究了2619例SPECTMPI患者，并將28個(gè)臨床、17個(gè)壓力測(cè)試和25個(gè)成像變量（包括TPD）整合到人工智能算法中來預(yù)測(cè)主要心臟事件。在超過（3.2+0.6）年的隨訪中，他們比較了AUC對(duì)以下結(jié)果的預(yù)測(cè)：ML與所有可用數(shù)據(jù)（MLcombined）、ML與僅影像學(xué)數(shù)據(jù)（ML-imaging）、5分制診斷（內(nèi)科診斷）、自動(dòng)化定量成像分析（負(fù)荷TPD和缺血性TPD）。他們發(fā)現(xiàn)，ML聯(lián)合組的MACE預(yù)測(cè)顯著高于ML成像組（AUC,0.81vs0.78；P＜0.01）。ML組合模型的預(yù)測(cè)精度也高于內(nèi)科診斷、自動(dòng)壓力TPD和自動(dòng)缺血TPD（AUC，分別為0.81vs0.65、0.73和0.71；P＜0.01）。與醫(yī)生的診斷相比，聯(lián)合治療的風(fēng)險(xiǎn)重分類為26%（P＜0.01）。基于他們的研究結(jié)果，建議人工智能可以整合臨床和影像數(shù)據(jù)，對(duì)接受SPECTMPI的患者進(jìn)行個(gè)性化MACE風(fēng)險(xiǎn)計(jì)算。3）人工智能驅(qū)動(dòng)的結(jié)構(gòu)化報(bào)告CDS。人工智能驅(qū)動(dòng)的算法也被納入了第一個(gè)也是唯一一個(gè)獲得美國(guó)食品和藥物管理局批準(zhǔn)的核成像軟件，使用CDS工具和自然語言自動(dòng)生成報(bào)告。該系統(tǒng)集成了超過230條規(guī)則、可逆性、功能和患者人口學(xué)特征，包括俯臥位與仰臥位、衰減校正與未衰減校正的圖像結(jié)果以及質(zhì)量控制數(shù)據(jù)等額外信息。一項(xiàng)對(duì)1000名患者的研究驗(yàn)證了這種人工智能驅(qū)動(dòng)的報(bào)告系統(tǒng)檢測(cè)CAD，結(jié)果顯示人工智能驅(qū)動(dòng)的結(jié)構(gòu)化報(bào)告與9名專家對(duì)CAD缺血印象之間的一致性沒有顯著差異。定量工具已經(jīng)在核心臟病學(xué)的實(shí)踐中常規(guī)使用，但結(jié)合多種特征和臨床數(shù)據(jù)的更高水平的工具還不普遍。最近的研究表明，在臨床實(shí)踐中有很高的應(yīng)用潛力。除了精煉和構(gòu)建研究以提高診斷和預(yù)后，即將到來的人工智能在核心臟病學(xué)的重點(diǎn)應(yīng)該包括開發(fā)人工智能驅(qū)動(dòng)算法，以幫助臨床決策的適宜性測(cè)試、選擇測(cè)試、調(diào)度、工作流優(yōu)先級(jí)、協(xié)議、報(bào)告和患者管理。這些發(fā)展不會(huì)取代醫(yī)生和其他衛(wèi)生保健專業(yè)人員的角色，但將為他們提供高度精確的工具，以更一致的方式檢測(cè)疾病，風(fēng)險(xiǎn)分層，并優(yōu)化針對(duì)患者的管理。（3）電生理學(xué)在電生理學(xué)中集成AI的幾個(gè)重要機(jī)會(huì)包括數(shù)據(jù)管理（如何允許管理大量患者數(shù)據(jù)）、數(shù)據(jù)解釋（如何復(fù)雜數(shù)據(jù)專家解釋的大眾化），以及多種模式獲取的數(shù)據(jù)的實(shí)時(shí)集成。此外，使用人工智能增強(qiáng)、經(jīng)濟(jì)效益獲得的電生理學(xué)數(shù)據(jù)（如ECG）不斷的發(fā)展、的發(fā)現(xiàn)表明，篩查通常與心電圖無關(guān)的疾病的能力可能為改善人口健康提供可擴(kuò)展的機(jī)會(huì)。目前電生理學(xué)的主要爭(zhēng)論之一是如何將動(dòng)態(tài)獲得的心電圖納入臨床實(shí)踐。一些工具，包括可植入記錄儀和面向消費(fèi)者的智能手機(jī)或支持智能手表的心電圖設(shè)備，在許多情況下，在被確定為已知的心血管疾病患者之前，允許對(duì)人群進(jìn)行更具成本效益的篩查。例如，個(gè)人可以通過互聯(lián)網(wǎng)購(gòu)買自己的心電圖設(shè)備，記錄自己的心電圖，然后需要對(duì)這些數(shù)據(jù)進(jìn)行準(zhǔn)確的解釋。盡管能夠準(zhǔn)確和自動(dòng)解釋這些心電圖的系統(tǒng)已經(jīng)得到了改進(jìn)，但仍然存在假陽性或假陰性的風(fēng)險(xiǎn)。閱讀心電圖的專業(yè)知識(shí)被下放到基層醫(yī)療機(jī)構(gòu)，使得ECG的獲得變得更加方便。初步數(shù)據(jù)表明，人工智能技術(shù)可能進(jìn)一步改善這些心電圖的解讀，并為那些需要看醫(yī)生（包括心臟病專家或電生理學(xué)家）的人提供合適的分流。然而，目前還無法在人口水平上評(píng)價(jià)計(jì)算的需要和效力。電生理學(xué)的另一個(gè)當(dāng)前問題是如何更好地促進(jìn)復(fù)雜的電生理學(xué)數(shù)據(jù)的解釋。例如，Q-T間期的測(cè)量對(duì)于識(shí)別那些有猝死風(fēng)險(xiǎn)或抗心律失常藥物毒性風(fēng)險(xiǎn)的人很重要，但已經(jīng)發(fā)現(xiàn)其變異性大，即使在心臟病學(xué)專家和一些電生理專家的評(píng)價(jià)一致性中也存在。初步數(shù)據(jù)表明，DL人工智能技術(shù)可能有助于僅從心電圖圖像識(shí)別特定Q-T間期帶來的風(fēng)險(xiǎn)。此外，利用專家級(jí)Q-T解釋來訓(xùn)練神經(jīng)網(wǎng)絡(luò)可能有潛力提高非電生理學(xué)家和非心臟病學(xué)家的解釋準(zhǔn)確性。這些原則適用于其他電生理數(shù)據(jù)，如心律失常心腔圖的解釋。當(dāng)前電生理學(xué)的另一個(gè)主要機(jī)遇是如何整合通常多種不同的，互補(bǔ)但單獨(dú)獲得的數(shù)據(jù)，以促進(jìn)對(duì)特定患者治療的正確解釋和優(yōu)化。在心律失�；颊呓邮芮秩胄噪娚頇z查和消融術(shù)時(shí)，術(shù)前影像的組合（如磁共振成像評(píng)估瘢痕分布、心電圖評(píng)估心律失常的起源）和術(shù)中成像（如心臟內(nèi)的超聲心動(dòng)圖、透視）可用來優(yōu)化治療。然而，由于這些數(shù)據(jù)都是在通過不同技術(shù)不同時(shí)間點(diǎn)獲得的。最近的數(shù)據(jù)表明，人工智能技術(shù)可以促進(jìn)數(shù)據(jù)集成，這反過來可以幫助醫(yī)生更有效率，或者更有效地識(shí)別和定位與患者病情相關(guān)的部位。最后，將人工智能技術(shù)應(yīng)用于電生理數(shù)據(jù)的一個(gè)主要機(jī)會(huì)不僅是大眾化、規(guī)�；痛龠M(jìn)數(shù)據(jù)的準(zhǔn)確解釋和合成的能力，而且是通過非人類可解釋的見解來改善人口健康的能力。這一原則的關(guān)鍵在于心電圖可能包含一些人類無法輕易理解的微妙之處。舉個(gè)例子，有研究顯示，僅使用心電圖來識(shí)別低EF的可能，并且有高精確度，又有幾個(gè)其他條件可能同樣從心電圖識(shí)別，從而提高風(fēng)險(xiǎn)分層人口水平可伸縮的、低成本的方式。因此，從心電圖中識(shí)別診斷不足、有可能治療的疾病的能力具有成本效益的改善人口健康問題。（4）冠心病檢測(cè)與預(yù)后急性冠脈綜合征（ACS）是冠心病最危急的類型，通常根據(jù)心電圖和生物標(biāo)志物分為ST段抬高心肌梗死（STEMI）、非ST段抬高心肌梗死（NSTEMI）和不穩(wěn)定型心絞痛（UAP）�？焖傩碾妶D評(píng)估進(jìn)行診斷對(duì)STEMI的及時(shí)治療至關(guān)重要。通過單導(dǎo)智能手機(jī)平臺(tái)，快速診斷現(xiàn)已被證明是可行的。這項(xiàng)技術(shù)可以廣泛傳播，并與ML相結(jié)合，對(duì)STEMI患者進(jìn)行快速分診。加速轉(zhuǎn)運(yùn)到經(jīng)皮冠狀動(dòng)脈介入治療機(jī)構(gòu)可以更及時(shí)地改善治療結(jié)果。醫(yī)院外心臟驟停的研究也在進(jìn)行中，其中大部分是由ACS引起的。機(jī)器學(xué)習(xí)算法已被用于分析通過智能家庭揚(yáng)聲器和電話的家庭錄音，以識(shí)別窒息樣呼吸，這是心臟驟停的典型跡象。對(duì)這類記錄的準(zhǔn)確檢測(cè)可使人們發(fā)現(xiàn)心臟驟停，并對(duì)家中發(fā)生的大量未被目擊的心臟驟�；颊邌�(dòng)緊急措施。在STEMI以外的ACS（即NSTEMI和UAP）中，管理可能不那么明確。在這個(gè)方面早期診治嘗試用ML進(jìn)行12導(dǎo)聯(lián)心電圖解釋是有意義的。UAP/NSTEMI的治療主要基于風(fēng)險(xiǎn)分層，據(jù)研究ML改善了先前驗(yàn)證過的模型，如TIMI或GRACE風(fēng)險(xiǎn)評(píng)分。同樣，對(duì)死亡率和/或治療并發(fā)癥的長(zhǎng)期預(yù)測(cè)可以提高。對(duì)高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)患者的識(shí)別的改進(jìn)將有助于提高資源的利用率和更個(gè)體化的治療。目前研究正在努力綜合多種非心臟數(shù)據(jù)，以進(jìn)一步完善ACS的診斷、治療和預(yù)后。病情穩(wěn)定的CAD患者也可能通過人工智能得到改善，例如，識(shí)別可能受益于血運(yùn)重建的患者，或平衡抗栓益處和出血風(fēng)險(xiǎn)，選擇最合適的抗血小板策略。上述的工作代表了人工智能在冠心病領(lǐng)域從預(yù)防到治療廣泛應(yīng)用的可能性。很明顯，在目前的許多情況下，通過隨機(jī)對(duì)照試驗(yàn)進(jìn)行臨床驗(yàn)證仍需要繼續(xù)進(jìn)行。然而，令人鼓舞的是，即使是在ML對(duì)CAD影響的初期階段，它也有望提供更好的預(yù)后和挖掘新的危險(xiǎn)因素，這將進(jìn)一步有助于CAD患者的治療。（5）冠狀動(dòng)脈造影和介入介入心臟病學(xué)傳統(tǒng)上一直處于心血管創(chuàng)新的前沿。在過去的十年里，侵入性血管內(nèi)成像、生理學(xué)、血流動(dòng)力學(xué)、機(jī)器人技術(shù)和雜交心血管外科手術(shù)等得到了快速發(fā)展。診斷預(yù)測(cè)、治療策略設(shè)計(jì)、設(shè)備選擇、程序優(yōu)化和并發(fā)癥的避免都是人工智能應(yīng)用有望取得快速進(jìn)展的領(lǐng)域。早期應(yīng)用人工智能評(píng)估冠狀動(dòng)脈的研究包括最近的CEREBRIA-1研究，這些研究驗(yàn)證了在冠狀動(dòng)脈病變重要生理功能評(píng)價(jià)和推薦血管重建中，ML和人工智能不遜于常規(guī)診治。目前各地都有很好的心血管急救系統(tǒng)，但在關(guān)鍵的早期診斷和管理決策方面存在相當(dāng)大的差異。未來，智能算法可能會(huì)在第一次呼叫時(shí)立即審查患者的病史和危險(xiǎn)因素，并通過一系列預(yù)測(cè)性問題在運(yùn)輸服務(wù)到達(dá)醫(yī)院之前建立初步診斷。隨著可以掃描皮膚行靜脈穿刺設(shè)備的發(fā)展，無需人工干預(yù)的高分辨率計(jì)算機(jī)斷層掃描儀可提供冠狀動(dòng)脈的解剖和生理評(píng)估�？旖莸男碾妶D可能提供明確的診斷信息，并在5~10分鐘內(nèi)抵達(dá)急診室。上述步驟甚至可能不需要任何人工干預(yù)或評(píng)估，并可能導(dǎo)致不會(huì)首選侵入性冠狀動(dòng)脈造影，可以在必要時(shí)進(jìn)行�；谌斯ぶ悄艿脑\斷方法已被用于分析冠狀動(dòng)脈病變功能學(xué)評(píng)價(jià)，迄今為止結(jié)果不一。Cho等人的一項(xiàng)研究表明，總的來說，血管造影功能學(xué)分析的準(zhǔn)確性可能接近82%的FFR。在過去的十年里，用于冠狀動(dòng)脈介入治療的磁導(dǎo)航系統(tǒng)和機(jī)器人技術(shù)已經(jīng)出現(xiàn)，但一直受到高昂成本和低效界面的阻礙。人工智能引導(dǎo)的血管通路和介入設(shè)備導(dǎo)航到病變部位將是可行的，多模式技術(shù)將實(shí)時(shí)熱、超聲和流量數(shù)據(jù)與機(jī)器人和以前獲得的診斷計(jì)算機(jī)圖像融合在一起。同樣，通過人工智能引導(dǎo)設(shè)備進(jìn)行冠狀動(dòng)脈血運(yùn)重建或藥物治療也是可行的，心臟介入團(tuán)隊(duì)可以在不暴露于電離輻射的情況下監(jiān)測(cè)和控制設(shè)備。能夠自動(dòng)導(dǎo)航到動(dòng)脈粥樣硬化區(qū)域并提供靶向治療的納米顆粒已經(jīng)在開發(fā)中，內(nèi)部和外部的磁性引導(dǎo)和配體連接聚集，可以進(jìn)一步產(chǎn)生有益的效果，同時(shí)最大限度地減少對(duì)其他器官的不利影響瓣膜疾病、先天性和后天異常以及生命維持技術(shù)也將是人工智能應(yīng)用的主要領(lǐng)域。將來在心導(dǎo)管實(shí)驗(yàn)室，在時(shí)間和空間上實(shí)時(shí)評(píng)估和整合患者解剖結(jié)構(gòu)信息，結(jié)合自體活細(xì)胞和聚合物剛性金屬?gòu)?fù)合材料，進(jìn)行3D打印，可能是介入心臟病學(xué)的一個(gè)重要方向。（6）心臟衰竭目前心力衰竭（HF）診治模式不成熟，診斷延遲較常見，心力衰竭的許多危險(xiǎn)因素并沒有被認(rèn)識(shí)，治療和控制相對(duì)較低。大多數(shù)射血分?jǐn)?shù)減低和射血分?jǐn)?shù)保留的心衰患者沒有接受已被證明的降低死亡率和發(fā)病率的治療，或者在進(jìn)行低劑量的治療。此外，HF表型的病理生理學(xué)特征仍處于研究階段。人工智能支持的策略有潛力解決這些問題。1）心臟衰竭預(yù)防：臨床試驗(yàn)證實(shí)，心衰預(yù)防可顯著降低心衰發(fā)病率。心衰預(yù)防需要一種方法來識(shí)別心衰風(fēng)險(xiǎn)患者和心衰預(yù)防干預(yù)過程。心衰風(fēng)險(xiǎn)識(shí)別部分可以幫助集中干預(yù)這部分患者，從而提高可行性，降低總體成本。干預(yù)部分的效果將決定整體人群心衰防治的效益。目前心衰危險(xiǎn)評(píng)分應(yīng)用于臨床少見。Ng等人開發(fā)了監(jiān)督ML算法，利用EHR數(shù)據(jù)預(yù)測(cè)突發(fā)HF。ML算法預(yù)測(cè)未來HF的AUC約為0.79，在檢測(cè)即將到來（6個(gè)月）HF時(shí)更為準(zhǔn)確。雖然AI算法可能沒有比傳統(tǒng)模型更好的預(yù)測(cè)價(jià)值，ML算法嵌入到電子健康檔案可以為醫(yī)生提供即時(shí)風(fēng)險(xiǎn)信息（病人），可以調(diào)整隨著時(shí)間的推移風(fēng)險(xiǎn)的變化，如果危險(xiǎn)因素變化，并整合心電圖或圖像分析、可穿戴設(shè)備和其他數(shù)據(jù)，風(fēng)險(xiǎn)預(yù)測(cè)算法可能會(huì)更精確的預(yù)測(cè)個(gè)體獨(dú)有的風(fēng)險(xiǎn)因素。未來人工智能心衰風(fēng)險(xiǎn)評(píng)估工具的開發(fā)，預(yù)先與有計(jì)劃的干預(yù)相結(jié)合，以降低心衰發(fā)病率。這些干預(yù)措施可以包括一種新的治療模式，一些特定的治療藥物或智能決策，以鼓勵(lì)臨床醫(yī)生和患者治療心衰危險(xiǎn)因素。臨床試驗(yàn)應(yīng)該評(píng)估風(fēng)險(xiǎn)預(yù)測(cè)和干預(yù)策略，以驗(yàn)證采用有效的策略來降低心衰發(fā)病率。2）心衰住院預(yù)防：心衰住院預(yù)防措施也需要一種方法來識(shí)別有風(fēng)險(xiǎn)的患者和住院防治監(jiān)測(cè)。傳統(tǒng)的統(tǒng)計(jì)模型在再入院預(yù)測(cè)方面的性能較差，而且基于人工智能的模型也受到了限制。有3項(xiàng)研究使用監(jiān)督ML（包括大隊(duì)列的DL算法）來預(yù)測(cè)心衰住院后的再入院，報(bào)告的AUC從0.63~0.71。因此，需要更多的工作來提高不同算法的預(yù)測(cè)能力，識(shí)別心衰再入院的風(fēng)險(xiǎn)。雖然ML可能提升風(fēng)險(xiǎn)預(yù)測(cè)，但更令人煩惱的問題是，一旦認(rèn)識(shí)到風(fēng)險(xiǎn)增加，如何防止再入院。醫(yī)療機(jī)構(gòu)為減少再入院而采取的多種策略所產(chǎn)生的影響微乎其微。使用外部遠(yuǎn)程監(jiān)測(cè)系統(tǒng)或植入設(shè)備（除顫器或起搏器）診斷的遠(yuǎn)程監(jiān)測(cè)在防止入院或再入院方面是無效的，只有基于肺動(dòng)脈壓的遠(yuǎn)程監(jiān)測(cè)策略被證明對(duì)減少心衰住院有效。最令人震驚的是，減少再入院的策略與心衰住院后短期和長(zhǎng)期死亡率的增加相關(guān)。因此，必須在臨床試驗(yàn)中仔細(xì)研究人工智能的住院風(fēng)險(xiǎn)預(yù)測(cè)和新的干預(yù)策略，以確保有效性和安全性。3）心衰管理：人工智能分析可以在心力衰竭患者實(shí)時(shí)提供可操作的信息情況下，通過識(shí)別那些確診患者有無按照規(guī)定GDMT或接收的最佳劑量，有無依從治療計(jì)劃，或最有可能受益于某些特定的心衰療法。這類人工智能生成的信息可以以更新穎、便捷、智能的方式提供給患者和醫(yī)生，這些信息可能會(huì)影響患者的治療（為患者提供決策輔助、特定問題的醫(yī)生或患者教育、支持聯(lián)系，或其他區(qū)域或衛(wèi)生保健系統(tǒng)特定的資源）。這種方法更類似于高度成功商業(yè)的人工智能分析所提供的數(shù)據(jù)，而人工智能在醫(yī)療保健領(lǐng)域的應(yīng)用尚未達(dá)到這種成功水平。（7）人工智能在闡明心衰病理生理學(xué)、精準(zhǔn)醫(yī)學(xué)和新療法中的作用目前，HF的廣泛特征是EF和推測(cè)的病因。非監(jiān)督ML分析（如聚類分析）可以識(shí)別獨(dú)特的HF表型，然后使用傳統(tǒng)統(tǒng)計(jì)方法或監(jiān)督學(xué)習(xí)技術(shù)來確定所識(shí)別的表型是否具有不同的預(yù)后或?qū)χ委煹哪褪苄曰蚍磻?yīng)。此類分析已在HFpEF和HFREF的HF患者中進(jìn)行，使用臨床數(shù)據(jù)作為輸入變量，確定具有不同預(yù)后的HFpEF和HFrEF表型。將來需要臨床特征以外的數(shù)據(jù)，比如基因組、蛋白質(zhì)組數(shù)據(jù)、微生物組、新的臨床數(shù)據(jù)，心電圖或圖像分析，來進(jìn)一步診斷心衰患者的表型，可以通過新的治療靶點(diǎn)或診斷/預(yù)后生物標(biāo)志物識(shí)別獨(dú)特的病理生理變化，并確定其精確性或新的心衰治療方法。（8）預(yù)防心臟病學(xué)冠心病的研究已經(jīng)產(chǎn)生了一些概念，這些概念被認(rèn)為是現(xiàn)代醫(yī)學(xué)的基礎(chǔ)，包括識(shí)別和添加相關(guān)條件的風(fēng)險(xiǎn)因素到風(fēng)險(xiǎn)分層的整體模型。人工智能的定位是通過分析大量的變量，識(shí)別非線性關(guān)聯(lián)，并幫助識(shí)別新的危險(xiǎn)因素。目前，在冠心病和動(dòng)脈粥樣硬化性心血管疾病的初級(jí)風(fēng)險(xiǎn)分層中最常用的工具是美國(guó)心臟病學(xué)會(huì)/美國(guó)心臟協(xié)會(huì)聯(lián)合隊(duì)列方程風(fēng)險(xiǎn)計(jì)算器，這是一種有價(jià)值但不精確的工具。使用相同的9個(gè)傳統(tǒng)風(fēng)險(xiǎn)因素，ML算法能夠顯著地改善風(fēng)險(xiǎn)分層，包括發(fā)現(xiàn)13%的高風(fēng)險(xiǎn)個(gè)體和推薦25%的低風(fēng)險(xiǎn)個(gè)體的他汀類藥物治療，部分原因是非線性關(guān)系的識(shí)別。相比之下，一項(xiàng)單獨(dú)的研究使用了每個(gè)人多達(dá)735個(gè)變量來改進(jìn)隊(duì)列風(fēng)險(xiǎn)計(jì)算器，并強(qiáng)調(diào)了包括非傳統(tǒng)風(fēng)險(xiǎn)因素的重要性。有趣的是，與在算法中包含大量數(shù)據(jù)后的預(yù)期相反，與前面提到的僅使用標(biāo)準(zhǔn)CAD風(fēng)險(xiǎn)因素的算法相比，使用數(shù)百個(gè)變量的預(yù)測(cè)性能并沒有更好。機(jī)器學(xué)習(xí)是一種創(chuàng)新和強(qiáng)大的工具，可以將非傳統(tǒng)和未知的危險(xiǎn)因素納入心血管風(fēng)險(xiǎn)分層。例如，利用生物信號(hào)如視網(wǎng)膜眼底圖像作為生物樣本庫的一部分，并在沒有任何其他臨床特征的情況下用于預(yù)測(cè)心血管風(fēng)險(xiǎn)因素。同樣，通過使用ML算法通過智能手機(jī)錄音進(jìn)行的語音分析揭示了與CAD相關(guān)的特征。這些例子只是許多可能有用的新數(shù)字生物標(biāo)記信息中的一小部分。預(yù)測(cè)動(dòng)脈粥樣硬化性心血管事件的方法可能需要改變一些公認(rèn)的范式，例如時(shí)間范圍評(píng)估結(jié)果低于10年的隨訪，使用串行數(shù)據(jù)獲得多個(gè)時(shí)間點(diǎn)，并考慮更多的無監(jiān)督學(xué)習(xí)方法而不是選擇變量生物合理性。（9）臨床決策支持在一個(gè)醫(yī)學(xué)知識(shí)不斷增長(zhǎng)和病人管理的復(fù)雜性日益增加的時(shí)代，對(duì)診斷和治療的選擇，需要標(biāo)準(zhǔn)化的方案。事實(shí)上，應(yīng)授權(quán)將CDS系統(tǒng)與電子病歷相結(jié)合，向醫(yī)護(hù)人員提供最新的醫(yī)學(xué)知識(shí)和循證指導(dǎo)。直到最近，大多數(shù)部署在醫(yī)療保健中的CDS系統(tǒng)都僅限于訪問電子病歷中的結(jié)構(gòu)化數(shù)據(jù)，如實(shí)驗(yàn)室結(jié)果。然而，非結(jié)構(gòu)化臨床敘述中的信息可能會(huì)被NLP提取。以前，NLP工具僅限于研究，并沒有用于生成自動(dòng)輸入到CDS系統(tǒng)。重要的是，利用NLP來搜索數(shù)字電子病歷的電子工具也能夠?yàn)镃DS程序提供自動(dòng)輸入，從而提供針對(duì)患者的個(gè)性化信息，以便在治療時(shí)以患者為中心做出決定。為了實(shí)現(xiàn)這種情況，進(jìn)行自然語言處理，以提供高性能、可擴(kuò)展和實(shí)時(shí)的解決方案。梅奧診所最近報(bào)道了這種方法對(duì)特定疾病的可行性，方法是將經(jīng)過驗(yàn)證的基于規(guī)則的NLP算法安裝到梅奧診所EHR的大數(shù)據(jù)基礎(chǔ)設(shè)施中，從而為外周動(dòng)脈疾病患者的CDS系統(tǒng)生成個(gè)性化輸入。還能夠顯示相關(guān)的實(shí)驗(yàn)室檢測(cè)結(jié)果和外周動(dòng)脈疾病患者的自動(dòng)預(yù)后評(píng)估，使用結(jié)構(gòu)化數(shù)據(jù)元素和自動(dòng)風(fēng)險(xiǎn)計(jì)算器，這些數(shù)據(jù)來自基于社區(qū)的研究生成的模型。原則上，類似的方法將可能廣泛地用于其他心血管疾病，建設(shè)標(biāo)準(zhǔn)化和高質(zhì)量文檔的醫(yī)療保健系統(tǒng)，最終實(shí)現(xiàn)將正確的信息在正確的時(shí)間為正確的病人提供正確決策（10）人工智能在優(yōu)化心血管研究中的應(yīng)用人工智能（包括ML和DL）可應(yīng)用于全基因組測(cè)序、移動(dòng)設(shè)備生物識(shí)別和EHR數(shù)據(jù)處理。機(jī)器學(xué)習(xí)正在改變心血管疾病的診斷、風(fēng)險(xiǎn)預(yù)測(cè)、預(yù)防和治療方法。這些新方法提供了可觀的前景，包括快速整合大量數(shù)據(jù)，個(gè)體化的診斷和治療，以及潛在關(guān)系的評(píng)價(jià)。然而，它們確實(shí)產(chǎn)生了新的方法論上的挑戰(zhàn)。表型必須標(biāo)準(zhǔn)化，優(yōu)化其可靠性，數(shù)據(jù)集成等。數(shù)據(jù)的可追溯性、有效性和再現(xiàn)性必須體現(xiàn)。在研究設(shè)計(jì)和結(jié)果解釋時(shí)，必須考慮新的偏倚，包括地理、人口和社會(huì)經(jīng)濟(jì)地位造成的數(shù)字鴻溝和互聯(lián)網(wǎng)接入差異等。最后，必須考慮到數(shù)據(jù)缺失和治療方式的變化。的確，與原始數(shù)據(jù)收集不同，醫(yī)療記錄數(shù)據(jù)是在給定的臨床事件中收集的，直接與患者的健康狀況和求醫(yī)行為以及臨床醫(yī)生的治療有關(guān)。因?yàn)闆Q定觀察時(shí)間的是病人和醫(yī)生，而不是研究人員，所以從數(shù)據(jù)中得出的結(jié)論會(huì)有所不同。這些重要問題強(qiáng)調(diào)了團(tuán)隊(duì)科學(xué)的重要性，將臨床醫(yī)生、數(shù)據(jù)科學(xué)家和統(tǒng)計(jì)學(xué)家聚集在一起，以確立這些工具的有效性和可靠性。（11）表型和風(fēng)險(xiǎn)預(yù)測(cè)目前的方法和評(píng)分系統(tǒng)對(duì)于有效的臨床應(yīng)用來說往往過于繁瑣，并且在不同人群中不能很好地被復(fù)制，因此在臨床上必須提高病例識(shí)別和結(jié)果預(yù)測(cè)的準(zhǔn)確性和有效性。除了電子病歷的豐富數(shù)據(jù)之外，其他類型的結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)也適用于ML技術(shù)。這些因素包括但不限于心電圖、超聲心動(dòng)圖和其他影像學(xué)研究的數(shù)據(jù)。使用ML進(jìn)行表型分析的一個(gè)例子是HFpEF患者的特征描述和這些患者的生存預(yù)測(cè)。Shah等人使用無監(jiān)督ML，在HFpEF患者中確定了3個(gè)不同的組，通過監(jiān)督學(xué)習(xí)，他們檢查了不同組在死亡和住院方面的差異。這些有意義的結(jié)果需要在其他隊(duì)列中驗(yàn)證，但從另一方面說明了人工智能可以應(yīng)用到EHR的豐富環(huán)境中。另一個(gè)例子是Attia等人將人工智能應(yīng)用于心電圖數(shù)據(jù)，以識(shí)別無癥狀左心室44959例患者出現(xiàn)功能障礙。訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò)來識(shí)別心室功能障礙患者，定義EF為35%或更少，僅使用心電圖數(shù)據(jù)。在52870名患者的獨(dú)立測(cè)試中，網(wǎng)絡(luò)模型的AUC值、敏感性、特異性和準(zhǔn)確性分別為0.93、86.3%、85.7%和85.7%。這些研究結(jié)果說明了將人工智能應(yīng)用于心電圖數(shù)據(jù)，可以提供一種識(shí)別心室功能障礙的篩查工具。（12）臨床試驗(yàn)招募試驗(yàn)參與者被普遍認(rèn)為是低效、耗時(shí)耗力的，這會(huì)延緩新治療的進(jìn)展和最終的病人治療的延誤。將人工智能應(yīng)用于電子病例，將患者特征與試驗(yàn)納入和排除標(biāo)準(zhǔn)匹配，可以提高預(yù)篩的效率。（13）傳感器可穿戴傳感器在健康預(yù)防和疾病管理中的應(yīng)用是一個(gè)有意義的課題，而人工智能在這個(gè)新興領(lǐng)域的貢獻(xiàn)是獨(dú)一無二的。一個(gè)例子是使用智能手表數(shù)據(jù)來檢測(cè)房顫數(shù)據(jù)。一個(gè)深度神經(jīng)網(wǎng)絡(luò)，使用依賴于R-R間隔近似表示的啟發(fā)式預(yù)訓(xùn)練，與參考標(biāo)準(zhǔn)心電圖相比，表現(xiàn)出有意義的性能。在9750名參與者中進(jìn)行的這項(xiàng)研究建立了概念證明，與標(biāo)準(zhǔn)心電圖相比，智能手表可以檢測(cè)心房纖顫，但靈敏度和特異性有所降低。本文由培訓(xùn)無憂網(wǎng)長(zhǎng)沙牛耳教育專屬課程顧問整理發(fā)布，希望能夠?qū)ο雲(yún)⒓娱L(zhǎng)沙大數(shù)據(jù)分析培訓(xùn)的學(xué)生有所幫助。更多大數(shù)據(jù)分析培訓(xùn)課程資訊歡迎關(guān)注培訓(xùn)無憂網(wǎng)大數(shù)據(jù)人工智能培訓(xùn)頻道或添加老師微信：1503333605010...