上海交通大学医学院附属胸科医院 梁敏 蒋杨菁 何奔
编者按：2023年欧洲心脏病学会年会（ESC 2023）Late-Breaking Science心房颤动和猝死注册研究专场重磅公布了一项关于人工智能构建心源性猝死风险预测模型的研究报告，本刊特邀上海交通大学医学院附属胸科医院何奔教授深入解读。
背景介绍
医疗领域虽然在一定程度上可以识别出心源性猝死（Sudden Cardiac Death， SCD）高风险的患者，但这类患者仅占整体SCD病例数量的一小部分。实际上，SCD患者可能来自普通人群，或者只有一两个风险因素，因此难以准确鉴定。鉴于常规医疗手段在预测SCD方面的局限性，Xavier Jouven 教授研究团队采用大数据研究的方法，纳入了多种医学变量因素构建SCD预测模型，旨在提升对人群中SCD发生的预测能力。
研究方案
该研究纳入2011年至2015年间巴黎猝死专业技术中心（Paris Sudden Death Expertise Center， SDEC）所记录的所有案例，并从法国国家医疗保险数据库（French National Health Insurance Database）检索了SCD发生至少五年前的SCD患者信息。总计收集了12 338例SCD病例，以及与年龄、性别和居住地相匹配的37 014名对照患者，涵盖了共计801 352个诊断以及8 566 229种门诊用药信息。
这些数据经过详细的数据处理和机器学习分析，生成了个性化预测SCD的模型。随后，采用时间验证和地理验证对该模型进行了外部验证（图1，2）。时间验证方面，使用SDEC在2016年至2020年间记录的案例，包括11 620例SCD病例以及相匹配的34 014名对照病例，共涵盖了837 705条诊断和8 606 130种门诊用药信息。在地理验证方面，收集了西雅图地区2013年至2021年间，发生SCD事件前有至少五年医疗记录的病例，其中包括了892例SCD病例和6418名对照，共计11 731条诊断和1 443种门诊用药信息。
图1. 模型训练
图2. 模型验证
研究结果
正如图3所展示的，机器学习的结果整体上优于线性回归。然而，值得注意的是，当线性回归模型引入非心血管因素变量时，其表现远远超过仅纳入心血管因素变量的机器学习模型。最佳模型是基于全部数据进行的机器学习，而在验证数据集中也得到了类似的验证结果。
图3. 机器学习及线性回归的预测效能比较
在预测风险为0.9-1.0的组别中，识别出24.5%的SCD病例，这对应一个非常庞大的患者群体。而随着预测风险的增高，对照组的比例随之下降，在预测风险为0.9-1.0的组别中仅占对照组的2%。
图3.模型风险预测的准确性
进一步通过Shapley Value识别与SCD相关的高风险因素。然而，出人意料的是，排在首位的是与神经系统相关的药物，其次是心血管系统相关药物。根据十个最重要的风险因素对每一个患者进行其个性化的风险评估，即每一个患者都有其自己的风险方程式。
图4. SCD相关风险因素及个体化预测
研究结论
纳入多种医学因素变量的人工智能模型对于预测人群中SCD发生有着重要意义。基于此，电子健康记录可以作为普通人群筛查的工具，是迈向个性化预防的重要一步。
研究解读
近年来，人工智能在医疗领域的应用取得了显著进展，其中之一就是在疾病风险预测方面的应用。由于SCD的突发性和严重性，对其风险进行准确预测对于采取适当的干预措施具有重要意义。SCD的风险受多种因素的影响，包括遗传因素、生活方式和健康状况等。传统的风险评估方法往往难以全面考虑这些因素之间的复杂关系，限制了预测的准确性和精确性。在这种情况下，人工智能可整合多种医学变量和因素，能够揭示出隐藏在数据背后的模式和规律，从而构建出更为准确的SCD风险预测模型。
该项研究提示，非心血管因素的纳入至关重要，其重要性甚至要高于人工智能模型的使用。模型的预测准确性是评价的核心，模型的灵敏度和特异性也是评价的重要指标。在实际应用中，这些模型的可解释性也至关重要。通过解释模型预测的依据，医生和研究人员能够更好地理解高风险因素的关联，有助于更精准地采取预防措施。
值得注意的是，尽管人工智能模型开发显示出巨大的潜力和发展前景，随着算法的不断改进，模型的预测准确性逐渐提高，其预测的结果在临床上的应用仍然需要临床医生和监管部门的联合监督。在人工智能计算中容许的偏差可能在临床中产生严重后果，这也是机器学习的重要限制。即使人工智能模型能够准确地基于高风险因素进行个性化分析，却并不能准确判断因果关系，这对于临床医生的结果判读和干预建议是一个难以忽视的缺陷。
此外，人工智能预测模型的构建随着纳入的影响因素增加而更加准确，这对于采集的信息量提出了一定的要求，尤其是对非心血管因素的纳入，那么就必须考虑患者健康数据的隐私问题和采集信息的边界。因此在考虑人工智能实际应用于临床决策辅助之前，必须构建完善的应用环境和法律规范，同时系统地评估其是否能安全地改进现有的诊疗过程。客观地说，人工智能的发展需要多学科共同努力，在目前取得显著进展的同时，也不能忽视潜在的缺陷。
专家简介
何奔教授
上海交通大学附属胸科医院心脏中心主任医师，博士生导师，二级教授现任上海市胸科医院心脏中心主任，心血管内科主任，上海市领军人才，上海市优秀学科带头人，卫生部有突出贡献中青年专家， 获国务院特殊津贴。曾获上海交通大学校长奖，上海市十佳医生，上海市五一劳动奖章，中国十大口碑医生等荣誉。擅长各种复杂冠脉介入治疗以及结构性心脏病的介入治疗，是上海首位全球标准认定的左心耳封堵术培训导师。对各种危重疑难心血管疾病的诊治有较高的造诣。学术任职：中华医学会心血管病学分会全国常委，中国心血管医师协会全国常委，上海市心血管病学会副主任委员，美国心脏学会专家会员，欧洲心脏学会专家会员。
梁敏
上海交通大学医学院附属胸科医院心内科八年制博士研究生在读，2021年进入上海市胸科医院心内科学习，师从何奔教授。多次参与专业指南及行业最新进展的翻译工作。目前主要从事动脉粥样硬化、血管钙化等疾病相关课题的学习工作。
蒋杨菁
上海交通大学医学院附属胸科医院心内科八年制博士研究生在读，2021年进入上海市胸科医院心内科学习，师从何奔教授。多次参与专业指南及行业最新进展的翻译工作。目前主要从事动脉粥样硬化等血管疾病相关课题的学习工作。