劉 帥，朱華棟

中國醫(yī)學科學院北京協(xié)和醫(yī)院 1急診科 2疑難重癥及罕見病國家重點實驗室，北京 100730

我國每年因心臟驟停而死亡的人數(shù)達50萬以上，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患者進行及時搶救。心臟驟停的及時識別、啟動胸外按壓以及電除顫是心肺復蘇(cardiopulmonary resuscitation，CPR)的關鍵。隨著人工智能技術的日益發(fā)展，CPR領域也涌現(xiàn)出越來越多的智能化工具及輔助機器，指導CPR的實施，提升復蘇質量，改善患者預后。

人工智能是計算機學科的一個分支，是研發(fā)模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術學科。機器學習是人工智能領域的一個重要組成部分，采用計算機算法對龐大數(shù)據(jù)庫中的特征值進行分析，并不斷優(yōu)化算法，從而實現(xiàn)對某些臨床結局的預測。隨著計算機技術的不斷發(fā)展，越來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、隨機森林以及決策樹等。深度學習是近幾年不斷發(fā)展的一項能夠模擬人腦進行分析的人工智能神經(jīng)網(wǎng)絡算法[2]。目前，一些人工智能技術及算法已被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。在移動醫(yī)療領域，包括遠程感應、可穿戴設備等在內的多種人工智能技術已參與到醫(yī)療決策中[3]。同時，越來越多的研究者開始應用計算機算法模型，對涉及多個變量的、復雜的、非線性數(shù)據(jù)進行統(tǒng)計學分析以建立預測模型，并應用其在不同臨床場景中進行患者結局的預測[4]。本文針對人工智能在心臟驟停風險預測、快速識別、應急反應以及預后預測中的應用進行闡述，以期為臨床提供參考。

1 心臟驟停風險預測

研究證實，對電子病歷數(shù)據(jù)庫中的數(shù)據(jù)進行算法分析后，可應用機器學習結果對院前、院內及普遍人群的心臟驟停風險進行預測[5-6]。Layeghian Javan等[7]采用MIMIC(Medical Information Mart for Inten-sive Care)-Ⅲ數(shù)據(jù)庫，借助傳統(tǒng)的支持向量機、決策樹、Logistic回歸以及集合算法等，對膿毒癥患者的人口學特征、格拉斯哥昏迷評分(glasgow coma score，GCS)、急性生理與慢性健康(acute physiology and chronic health evaluation，APACHE)-Ⅱ評分系統(tǒng)、MEWS(modified early warning score)評分、生命體征以及相關實驗室檢查等多個數(shù)據(jù)變量進行算法分析，預測膿毒癥患者心臟驟停的發(fā)生風險，較單獨使用APACHE-Ⅱ評分系統(tǒng)或MEWS評分更具優(yōu)勢，并能夠應用患者的生命體征、實驗室檢查結果等進行實時動態(tài)的病情評估[7-8]。Wu等[9]應用急性冠脈綜合征(acute coronary syndrome，ACS)患者的多種臨床特征進行算法分析，實現(xiàn)了對ACS患者心臟驟停發(fā)生風險的預測。Fernandes等[10]對2011—2016年葡萄牙某急診科就診的235 826例患者進行分析，采用Logistic回歸、隨機森林以及XG-boosting進行建模，結果發(fā)現(xiàn)GCS、年齡以及脈搏血氧飽和度等對預測危重癥患者心臟驟停具有統(tǒng)計學意義，該數(shù)據(jù)模型可輔助預檢分診對患者病情進行評估，從而預測患者的病情嚴重程度及猝死風險。除上述經(jīng)典算法模型外，神經(jīng)網(wǎng)絡模型在心臟驟停風險預測中的優(yōu)勢也日益凸顯[11]。研究顯示，納入患者的人口學特征、血流動力學參數(shù)、心電圖甚至心肌MRI等影像學資料，通過人工智能神經(jīng)網(wǎng)絡，可輔助臨床預測惡性心律失常、心源性猝死的發(fā)生風險[12-13]，從而對院內心臟驟停的發(fā)生進行早期識別、預警及快速反應[14]。Kwon等[15]采用深度學習算法對住院患者的心電圖進行分析，建立了能夠預測住院患者24 h內發(fā)生心臟驟停風險的預測模型，并將該算法置入可穿戴設備應用于臨床實際場景。此外，有研究采用深度學習模型對住院患者的心率、脈搏氧飽和度、呼吸頻率、吸入氧濃度及血液pH值等進行算法分析，預測住院患者后續(xù)是否需實施機械通氣，并輔助臨床提前準備氣管插管物品及人員配備等[16]。上述機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現(xiàn)對院前、院內發(fā)生心臟驟停的風險預測，輔助臨床醫(yī)生作出科學決策及快速反應[17]。

2 心臟驟?？焖僮R別

無論是目擊者還是急救中心調度員，院前心臟驟停的識別均極為關鍵，這關系到胸外心臟按壓的及時啟動。Park等[18]對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、兩者間關系等信息進行系統(tǒng)分析，并與急救中心調度員的主觀判斷進行比較，結果發(fā)現(xiàn)機器學習具有較高的識別靈敏度(72.5%比84.1%，P<0.001)，但特異度較低(98.8%比97.3%，P<0.001)，且機器學習對心臟驟停的識別時間更短。該研究提示，與急救中心調度員相比，機器學習可更好地對院前心臟驟?；颊哌M行識別，并在急救資源的調度中扮演重要角色[19-21]。應用人工智能算法進行急救電話識別，可在一定程度上縮短對心臟驟停患者早期識別的反應時間[20，22-23]。此外，有研究采用隨機森林模型對急診患者入院前及入院后的多個變量數(shù)據(jù)進行分析發(fā)現(xiàn)，模型可對心臟驟?；颊哌M行早期識別，還可對院前心臟驟?；颊?年后的存活率進行預測，從而識別具有潛在救治價值的患者，為后續(xù)臨床診治及患者預后提供策略[24]，以優(yōu)化醫(yī)療資源配置。

3 提供高質量心肺復蘇

胸外心臟按壓是CPR的關鍵環(huán)節(jié)。目前許多實時反饋裝置被應用于臨床，通過監(jiān)測一些物理指標(如按壓深度、按壓位置、按壓頻率等)及患者的生理指標(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)實時評估胸外心臟按壓質量，從而指導CPR。相應的遠程監(jiān)控機器人可及時識別CPR階段，減少反應時間，并可作出及時指導[26]。在動物實驗中，可應用實時監(jiān)測的腦電圖反映CPR過程中頸動脈的血流情況，并通過描記CO2波形圖反映胸腔內氣道的開閉狀態(tài)，從而指導胸外按壓[27-28]。Suh等[29]通過動物實驗研究發(fā)現(xiàn)，實時反饋呼氣末CO2水平，可調整智能CPR機器人的胸外心臟按壓位置，比較應用呼氣末CO2實時指導CPR的機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(return of spontaneous circula-tion，ROSC)的發(fā)生率，但能夠改善獲得ROSC后48 h內的神經(jīng)系統(tǒng)預后評分。應用實時反饋裝置輔助雖未能改善CPR患者的預后，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，提供更高質量的CPR[30-31]。其中，實時視頻反饋裝置、語音反饋裝置借助按壓平板、全景攝像機等設備可實現(xiàn)對按壓全過程的監(jiān)控與指導[32-33]。應用智能手機或智能手表等電子設備，可對附近的自動體外除顫器(automated external defibrigator，AED)設備進行定位，幫助施救者及時獲取AED并盡早啟動電除顫[34]，同時此類電子設備可記錄患者發(fā)生心臟驟停時的生命體征、甚至心電圖等數(shù)據(jù)，有助于識別猝死及為預后決策提供指導。研究指出，在不終止胸外按壓的情況下，利用內置特殊算法的AED設備對胸外心臟按壓期間的可除顫或不可除顫心律進行分析，可為除顫提供指導[35-38]。研究證實，應用除顫儀進行心律分析可使胸外心臟按壓的停止時間縮短，從而在一定程度上提升胸外心臟按壓的分數(shù)[39-40]。基于心電圖波形特征建立的神經(jīng)網(wǎng)絡模型，可實現(xiàn)對CPR過程中胸外心臟按壓干擾下的心電波形進行準確識別[41]，從而實時指導CPR過程中除顫時機的選擇。

4 預測心肺復蘇結局

絕大多數(shù)機器學習模型主要用于心臟驟停后CPR結局的預測，包括患者的生存率、死亡率、多種器官功能的恢復等[15，42]，并能夠指導臨床醫(yī)生作出恰當?shù)尼t(yī)療決策[43-44]，進行合理的醫(yī)療資源配置，以及必要時終止CPR[45]。研究顯示，對于獲得ROSC但意識障礙的患者進行早期頭顱CT深度學習，可對CPR患者早期缺血缺氧性腦病進行及時鑒別[46]。Hirano等[47]應用支持向量機、隨機森林等多種算法對具有可除顫心律的院前心臟驟?；颊咛卣鬟M行學習，其均可在不同程度上預測患者發(fā)生心臟驟停1個月后的死亡率以及神經(jīng)功能預后情況。而Harford等[43]研發(fā)的EFCN機器學習模型，除可在一定程度上對心臟驟?；颊叩纳窠?jīng)功能預后及死亡率進行預測外，還能識別部分院前心臟驟?；颊撸员M早啟動CPR及早期實施冠狀動脈造影恢復再灌注。因此，該模型可在一定程度上指導臨床醫(yī)生作出是否繼續(xù)胸外按壓、是否行冠狀動脈造影以及是否進行體溫控制等復蘇后的臨床決策[4，48]。在此基礎上，聯(lián)合患者猝死時的腦電圖，亦可實現(xiàn)對神經(jīng)功能預后的預測和評價[49]。有研究通過機器算法進行分析發(fā)現(xiàn)，影響院外心臟驟?；颊哳A后的主要因素為初始心律、年齡、開始CPR的時間、應急反應系統(tǒng)的反應時間以及發(fā)生院外心臟驟停的地點等[50]。亦有研究采用深度學習方法構建模型，對院內心臟驟?；颊叩乃劳雎始霸偃朐郝蔬M行預測，顯示出機器學習模型潛在的預測能力[51]。Park等[52-53]對線性回歸、XG-Boosting、支持向量機、隨機森林、神經(jīng)網(wǎng)絡等多個機器算法模型進行對比研究發(fā)現(xiàn)，在院外心臟驟?；颊呱窠?jīng)功能預后預測方面，XG-Boosting和線性回歸算法的檢驗效能相對更占優(yōu)勢；而在機器學習算法中增加來自社區(qū)水平的變量，如犯罪水平、醫(yī)療保健水平以及經(jīng)濟條件等因素，可優(yōu)化心臟驟停預后預測模型[54]。

5 開展心肺復蘇培訓

隨著人工智能技術的不斷發(fā)展，智能化設備參與CPR培訓與教學活動亦日益頻繁，如教學反饋裝置、模擬人及實時評分系統(tǒng)等，可幫助受訓者高效掌握CPR技能，從而為實時高質量的CPR提供幫助[55]。應用虛擬現(xiàn)實技術進行CPR技能培訓，可顯著提升受訓學生的CPR技能掌握程度[56]。此外，應用CPR語音助手，可幫助施救者準確撥打救援電話，并提供詳細的按壓指導，從而提高胸外心臟按壓質量。

6 小結與展望

隨著人工智能技術及大數(shù)據(jù)的快速發(fā)展，生命科學領域涌現(xiàn)出越來越多的智能化設備，通過對大數(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別高危心臟驟?；颊撸崆斑M行急救預案；另一方面通過胸外心臟按壓、機械通氣等多維度智能輔助指導CPR實施，提高復蘇質量。此外，還可通過對海量數(shù)據(jù)的系統(tǒng)化分析，預測復蘇后患者的臨床預后，為其提供個體化病情分析和醫(yī)療決策。雖然智能算法系統(tǒng)及工具對臨床工作具有較大的指導作用，但仍需前瞻性的隨機對照試驗對其進行驗證。

作者貢獻：劉帥負責文獻檢索及論文撰寫；朱華棟負責論文選題及審校。

利益沖突：所有作者均聲明不存在利益沖突