图片

心力衰竭是一种越来越普遍的疾病，它会带来严重的发病率和死亡率。虽然近几十年来在心力衰竭药物治疗和专用设备的开发方面取得了重大进展，但在疾病诊断和管理方面仍然存在着诸多挑战。其中一个关键问题是，中心血流动力学和心脏力学（这些是表征心力衰竭患者状态的量）很难测量。深度学习方法已经显示出解决临床医学问题的前景，但从根本上说，其解释的不透明性限制了对模型的信任和采用。在这篇论文中，作者提出了生理学启发的深度学习方法来改善心力衰竭的管理。

 

图片

中心血流动力学参数通常通过肺动脉插管进行测量，这是一种侵入性手术，对患者有一定风险，并非在所有情况下都能常规使用。作者试图开发一种非侵入性方法来识别平均肺毛细血管楔压（mPCWP）升高。作者利用麻省总院的248955份临床记录的数据开发了一个深度学习模型，该模型可以使用12导联心电图（ECG）推断平均肺毛细血管楔压（mPCWP）>15 mmHg的时间。在这些数据中，242216条记录用于预训练生成有用的心电图表征的模型。其余6739份记录包含右心导管插入术（RHCs）中平均肺毛细血管楔压（mPCWP）的直接测量结果，这提供了金标准的血流动力学测量结果。这些数据中有80%用于模型开发和测试（4304份用于训练，546份用于验证，540份用于测试），其余的记录包括一个用于评估模型的保留集（holdout set，1349份）。作者开发了一个相关的不可靠性评分，用于识别模型预测何时可能不可信。该模型的受试者工作特征曲线下面积（AUROC）得分为0.80±0.02（测试集）和0.79±0.01（保留集）。模型性能随不可靠性而变化，其中不可靠性评分高的患者对应于模型性能差的亚组：例如，不可靠性评分最高的十分位数的保留集中的患者的AUC降低了0.70±0.06。这些结果表明，平均肺毛细血管楔压（mPCWP）可以从心电图中推断出来，并且可以衡量这种推断的可靠性。当侵入性监测无法迅速进行时，深度学习模型能够提供可告知临床治疗的信息。

 

图片

作者在本论文第三章中扩展了这项工作，开发了一个心脏血流动力学人工智能监测系统（CHAIS），该系统使用单导联心电图数据来推断心脏血流动力学何时异常。心脏血流动力学人工智能监测系统是一个深度神经网络，经过训练，仅使用本论文第二章中使用的5930对心电图记录中的导联I和麻省总院的RHC来检测异常的心脏血流动力学。心脏血流动力学人工智能监测系统在麻省总院的1439对单导联心电图和RHC（858名患者）的内部保留集和另一家机构的4629对心电图和RHCs（2577名患者）外部验证集上进行了测试。作者还使用市售的可穿戴心电图监测仪前瞻性地收集了83名计划在麻省总院进行RHC的患者的单导联心电图数据，并使用心脏血流动力学人工智能监测系统（CHAIS）推断他们的左心房压力在RHC时是否会升高。心脏血流动力学人工智能监测系统（CHAIS）在内部测试数据集上检测左心房压力升高的AUROC为0.80，在外部验证数据集上为0.76。在RHC前佩戴可穿戴心电图监测仪的患者中，心脏血流动力学人工智能监测系统（CHAIS）的AUROC为0.70；然而，当心导管插入术前1.25小时内获得心电图数据时，AUROC为0.875。这些结果证明了使用可穿戴心电图监测仪进行动态心脏血流动力学监测的实用性。

 

图片

最后，在第四章中，作者描述了一种将心血管生理学知识直接整合到深度学习框架中的方法。该包括一个神经网络编码器，用于将动脉血压（ABP）波形映射到潜在的心血管参数，以及一个将这些参数映射到血流动力学波形的机制模型，称为心血管仿真器（CVSim）。作者在合成数据集上训练了该模型，发现该模型使用临床相关阈值，根据左心室舒张末期压（LVEDP）、心输出量（CO）和左心室射血分数（LVEF）将样本分类时，多类别准确率达到47.8%。在这里，作者还提出了一个受生理学启发的信任评分，并发现与其他数据的结果相比，在得分最低的十分位数的样本子集中，多类别准确性更高。在将该模型应用于麻省总院重症监护室患者的小型临床数据集时，考虑到从合成临床数据转移到真实临床数据的各种挑战，LVEDP、CO和LVEF的分类性能受限。然而，作者观察到，从临床数据集中推断出的心脏力学参数随着预期调节这些参数的药物的给药呈正向趋势。这表明该模型可以从临床ABP波形中收集有意义的信息，并显示出未来发展的前景。

 

图片

通过进一步的临床试验，本论文中描述的一系列方法有可能通过无创中心血流动力学监测和微创心脏力学推断来推进心力衰竭的诊断和治疗管理。