人工智能在心肺復蘇中的應用

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。而院前心臟驟停猝死率較高的原因之一是難以對

心臟驟?；颊哌M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（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C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(nèi)的多種

人工智能技術參與醫(yī)療決策中。

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。

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(nèi)及普遍人群的心臟驟停風

險進行預測。

采用MIMIC(MedicalInformationMartforInten-sive

Care)Til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(GCS)、急性生理與慢性健康(APACHE)-1【評

分系統(tǒng)、MEWS(modifiedearlywarningscore)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。

應用急性冠脈綜合征(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年至2016年葡萄牙某急診科

就診的235826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)勢也三益凸顯。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，從而對院內(nèi)心臟驟停的發(fā)生進行早期

識別、預警及快速反應。

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24h內(nèi)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。

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(nèi)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。

2心臟驟?？焖僮R別

無論是目擊者還是急救中心調(diào)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C

對108607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，尹與

急救中心調(diào)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(diào)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(diào)度中扮

演重要角色。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?；颊咴缙谧R別的反應時間。

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?/p>

進行早期識別，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，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C02、腦

氧飽和度、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C02波形圖反映胸腔內(nèi)氣道的開閉狀態(tài)，從而指導胸外按

壓C

通過動物實驗研究發(fā)現(xiàn)，實時反饋呼氣末C02水平，可

調(diào)整智能CPR機器人的胸外心臟按壓位置，比較應用呼氣末

C02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（ROSC）的發(fā)生率，但能夠改善獲

得ROSC后48h內(nèi)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。

應用智能手磯或智能手表等電子設備，可對附近的自動

體外除顫器(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(nèi)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。

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)。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，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，

并能夠指導臨床醫(yī)生作出恰當?shù)尼t(yī)療決策，進行合理的醫(yī)療

資源配置，以及必要時終止CPR。

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。

應用支持向量機、隨機森林等多種算法對具有可除顫心

律的院前心臟驟停患者特征進行學習，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

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?，以盡早啟動CPR及早期實施冠脈造影

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。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。

有研究通過磯器算法進行分析發(fā)現(xiàn)，影響院外心臟驟停

患者預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。

亦有研究采用深度學習方法構建模型，對院內(nèi)心臟驟停

患者的死亡率及再入院率進行預測，顯示出機器學習模型潛

在的預測能力。

對線性回歸、XG-Boosting、支持向量機、隨機森林、

神經(jīng)網(wǎng)絡等多個磯器算法模型進行對比研究發(fā)現(xiàn)，在院外心

臟驟停患者神經(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。

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

訓與教學活動亦三益頻繁，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。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。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