人工智能在心血管健康管理中的应用现状.pdf

窑医疗卫生装备窑 2024年2月第45卷第2期悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造 窑 灾燥造援 45 窑 晕燥援 2 窑 February 窑 2024人工智能在心血管健康管理中的应用现状王琨，李明*，张晓波，夏艺萍，赵沛伟，段应忠（解放军第96602部队医院，昆明650051）摘要介绍了人工智能（artifical intelligence，AI）在风险预测、早期筛查、临床决策支持、健康咨询与宣教等心血管健康管理关键环节中的应用现状，分析了AI在心血管健康管理各环节应用中存在的不足，展望了AI在心血管健康管理中的应用前景及未来发展方向。关键词人工智能；心血管健康；心血管疾病；健康管理中国图书资料分类号R318曰R319文献标志码A文章编号1003-8868渊2024冤02-0092-05DOI院10.19745/j.1003-8868.2024036Application progress of artificial intelligence in cardiovascularhealth managementWANG Kun,LI Ming*,ZHANG Xiao-bo,XIA Yi-ping,ZHAO Pei-wei,DUAN Ying-zhong(No.96602 Military Hospital of the PLA,Kunming 650051,China)AbstractThe current situation of artificial intelligence(AI)was introduced when applied in the key links of cardiovascularhealth management such as risk prediction,early screening,clinical decision support and health consultation and education.The deficiencies of AI during the application were analyzed,and the prospects and development directions of AI incardiovascular health management were pointed out.悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造袁2024袁45渊2冤院92-96Key wordsartificial intelligence;cardiovascular health;cardiovascular disease;health management0引言目前，心血管疾病仍居全球致死性疾病首位，根据2021年 中国心血管健康与疾病报告，我国心血管疾病患病率及病死率仍持续上升，推算现患心血管疾病人数为3.3亿1，给社会和个人带来沉重的疾病负担和经济负担。尽管针对心血管疾病风险的评估及预测，个体化控制危险因素是目前最为有效的防治策略，也是一级预防的基础，但由于心血管疾病发病机制具有复杂性和异质性，涉及因素广泛且具有交互作用，基于传统致病因子的线性风险评估模型难免导致许多存在心血管风险的人未被正确识别而得不到及时有效的干预。同样，早期筛查、个体化临床决策、健康咨询与宣教等重要环节的局限性也不同程度制约着心血管健康管理水平。因此，研究如何提高心血管健康管理水平是实施健康中国战略的重要方向，人工智能（artificial intelligence，AI）快速向医疗行业渗透融合，并在心血管领域的运用研究初显成效，为心血管领域提供了变革性突破的契机，有望成为进一步提高心血管健康管理水平的有力抓手。本文就AI在风险预测、早期筛查、临床决策支持、健康咨询与宣教等心血管健康管理关键环节的应用现状进行综述。1数字化医疗与AI在新型健康管理过程中产生的健康大数据和临床大数据推动了医疗进入数字化时代，这些大数据的复杂交错程度远超人类的识别处理能力，而AI正好可以弥补这一局限，“AI+医学”被认为是未来医疗的热点。以机器学习为代表的AI技术能够从整体视角整合各类数据，模拟人类思维过程，运用复杂的算法，挖掘出隐含的规律并进行自我学习，从而快速、高效地提供有价值的诊疗信息2-3。根据处理变量是否人为标记以及算法的不同，机器学习可以分为有监督学习、无监督学习以及深度学习。其中，有监督学习包括支持向量机、随机森林、人工神经网络，常用于构建风险预测模型；无监督学习主要通过聚类或降维实现疾病亚型聚类或发现疾病新机制；深度学习以卷积神经网络为代表，主要用于图像分割及测量4。2AI在风险预测中的应用心血管疾病的发生往往是遗传、环境、生活方式和社会心理等多种因素共同作用的结果。现阶段临床广泛使用的心血管风险预测工具均是基于Cox回作者简介院王琨（1985），女，主治医师，主要从事心血管疾病及军事医学方面的研究工作，E-mail：。通信作者院李明，E-mail：栽澡藻泽蚤泽论著王琨，李明，张晓波，等.人工智能在心血管健康管理中的应用现状J.医疗卫生装备，2024，45（2）：92-96.92 窑医疗卫生装备窑 2024年2月第45卷第2期悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造 窑 灾燥造援 45 窑 晕燥援 2 窑 February 窑 2024归模型建立的，包括Framingham风险评分、Grace冠心病危险程度评分以及2019年 中国心血管风险评估和管理指南 推荐的适合国人10年心血管病发病风险预测的China-PAR模型5-6。然而，Cox回归模型在处理非线性数据及因素间交互作用上有明显的局限性，致使临床收效差强人意。研究显示，在输入相同危险因素的情况下，基于机器人学习的风险计算体系较传统的风险评估模型具有更高的敏感度和特异度7。一项纳入378 256例患者的前瞻性队列研究，利用电子病历中的常规临床数据，应用Logistic回归、人工神经网络、随机森林以及梯度提升分别构建模型预测大规模人群10年心血管病发病风险，结果4种机器学习算法的预测准确率（74.5%76.4%）均高于美国心脏病协会/美国心脏协会（AmericanCollegeof Cardiology/American Heart Association，ACC/AHA）指南预测模型（72.8%）8。除常规临床数据外，学者们在挖掘非直观数据中隐含的信息方面也做了许多有益尝试。例如在影像组学数据方面，哈佛大学学者通过深度卷积神经网络以20 084例样本确立了CT冠状动脉钙化自动量化评分，可作为一个心血管事件的有力预测指标（校正后风险比为4.3）9。一项国际多中心研究纳入了10 300例疑似冠心病患者，整合25项临床参数及44项冠状动脉CT血管造影图像参数，利用深度学习Boosting集合算法预测5年全因死亡率，结果此机器学习风险预测模型效果明显优于Framingham风险评分等传统评估方法10。最近报道的2项突破性研究显示，通过深度学习视网膜血管扫描图像，结合少量个人基本医学参数，研究人员建立了一个高效、非侵入性的心血管风险预测模型11-12。此外，中国学者郑哲利用卷积神经网络建立基于面部图像的冠心病预测模型，其准确率也显著高于传统模型13。在高通量蛋白质组学方面，有研究构建了机器学习（XGboost算法）驱动的多蛋白心血管疾病二级预防风险模型，包括基于50个靶蛋白的心血管事件复发风险预测模型14以及基于92种蛋白的全因死亡率评估模型系统15，准确率均优于经典的临床风险预测模型。在转录组学方面，SCOTHEART研究提出了一种AI衍生的新生物标记物，即血管周围脂肪组织放射性转录组学特征，能够反映组织炎症、纤维化、血管新生相关基因的表达水平，以此指标建立的机器学习模型能够至少提前5年预测心血管事件发生风险（准确率为88%），显著提高了心脏风险预测能力16。尽管AI在风险预测方面从不同角度进行了许多有益尝试，但预测的准确性以及模型的可靠性、稳定性仍需更多的研究来证实。另外，人体的复杂性及动态性决定了单一指标预测效率的局限性，未来，整合常规健康体检数据，将风险预测算法嵌入体检系统，对心血管风险进行常规预测并给出综合建议，可能更有利于临床推广。3AI在早期筛查中的应用3.1心脏瓣膜病早期筛查早筛查、早干预是心血管健康管理的重要手段，AI在助力心血管疾病早期筛查方面也取得了可喜的进步。研究显示，基于AI的机器学习模型使快速、无创的常规心电图（electrocardiogram，ECG）成为心血管疾病筛查的可靠生物标记17。2019年Lancet发表的一项基于180 922例患者的649 931张正常窦性ECG的回顾性研究利用卷积神经网络建立AI-ECG模型，能够从正常窦性心律中筛查识别出隐藏的房颤患者，准确率达83%17。瓣膜性心脏病具有发病率高而预后差的特点，许多患者尚未得到明确诊断。研究显示，基于77 163例患者开发的ValveNet深度学习模型能够准确筛查出主动脉瓣狭窄、主动脉瓣反流及二尖瓣反流3种疾病中任意一种或联合存在，为未来大规模筛查瓣膜性心脏病奠定了基础18。同样，AI-ECG模型在筛查左心室收缩功能障碍、肥厚型心肌病方面的探索也取得了预期的结果19-20。在影像学方面，有学者基于主动脉CT血管造影图像建立了两步卷积神经网络分层模型，能够准确识别出主动脉夹层并进行Stanford分型，为实现临床早期、快速筛查主动脉夹层提供了新方法21。此外，由于对主动脉瓣狭窄的评估高度依赖超声心动图，约半数以上的严重主动脉瓣狭窄患者被漏诊。在2022年欧洲心脏病协会（European Society of Cardiology，ESC）年会上Geoffrey Strange公布的AI-Enhanced研究显示，利用澳大利亚国家超声数据库中的107万余份超声心动图参数，开发了人工智能决策支持算法（artificial intelligence decision support algorithm，AI-DSA），此算法除了能够识别出现行指南定义的全部主动脉瓣狭窄高风险患者外，还可以筛查出指南定义可能遗漏的高危患者，这部分患者可因此得到进一步评估和及时的干预，以降低远期死亡风险22。鉴于主动脉瓣狭窄的发病率不断上升及其对病死率的影响，这项大型临床研究提出的算法能够更为高效地识别出重度主动脉瓣狭窄，具有在临床推广应用的潜力。但研究存在训练数据未纳入症状、合并症、用药数据的局限性，同时该研究为回顾性研究，需要进一步行前瞻性研究，以确定主动脉瓣置换术能否改善被此算法额外识别出的重度主动脉瓣狭窄患者栽澡藻泽蚤泽论著王琨，李明，张晓波，等.人工智能在心血管健康管理中的应用现状J.医疗卫生装备，2024，45（2）：92-96.93 窑医疗卫生装备窑 2024年2月第45卷第2期悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造 窑 灾燥造援 45 窑 晕燥援 2 窑 February 窑 2024的生存及生活质量。3.2AI在智能可穿戴设备与房颤筛查中的应用心血管疾病往往具有突发性和难以预知性，而智能可穿戴设备能够打破时空限制、实时监测生理指标，其在心血管健康管理中的运用实践是当前关注的热点。如何从高危人群中高效筛查出无症状房颤患者并提高其治疗依从性是目前房颤管理面临的重要瓶颈。多项国内外研究表明，基于光电容积扫描（photoplethysmography，PPG）技术的手腕佩戴设备（手表/手环）有助于从大规模人群中识别出未经诊断的房颤患者，可作为房颤高危人群日常监测的有效手段23-25。在此基础上，解放军总医院陈韵岱团队基于PPG技术，使用华为移动设备，结合房颤指南推荐的ABC整合管理路径，建立了移动技术支持的房颤管理平台（mobile atrial fibrillation application，mAFA），如图1所示26。其中，“A”指抗凝/避免卒中（anticoagulation/avoid stroke），“B”指更好的症状管理（better symptom management），“C”指心血管和共病的优化（cardiovascular and comorbidity optimization）。mAFA可从早期筛查到长期的ABC策略实时跟踪干预，实现房颤一体化、全周期结构化管理。自发布之日起7个月内，约18万人使用了该平台，并至少连续佩戴华为移动设备14 d监测心律，筛查出的疑似房颤人群通过该平台对接协作的医院进行确诊，其中，95.1%确诊患者得到房颤综合管理，80%房颤高危人群获得抗凝管理26。随机对照研究显示，与常规模式相比，mAFA综合管理不仅有利于房颤的早期筛查诊断，还能更好地进行症状管理，显著降低了房颤再入院率和卒中等临床不良事件发生风险26-27。此外，学者们也在研究能够实时动态监测心率、血压以及生物标志物等重要生理指标的智能可穿戴设备，以期改善包括预警提醒、干预评估、康复指导的心血管疾病健康管理全过程以及日常基本保健28-29。随着技术的进步和算法的优化，智能可穿戴设备在房颤的早期筛查以及确诊患者的管理上能够发挥重要作用。但不可否认使用智能可穿戴设备的人群以年轻者居多，而年轻者发生房颤风险相对较低，因此，基于成本效益的年龄、危险因素筛查策略需要更多的循证学证据支持。另一方面，假阳性结果可能引发使用者的过度关注，导致焦虑及相关的躯体症状，因此完善的后台服务体系也同等重要。4AI在临床决策支持中的应用4.1手术决策支持尽管安全性、可靠性及伦理性等真实环境诸多苛刻要求限制了AI临床决策支持的快速发展，但其可预见的运用潜力仍驱动着科学家们积极探索，在心血管领域已初见成效。2019年Cook等30在JACC：Cardiovascular Interventions上发表的一项研究显示，AI算法可帮助制订经皮冠状动脉介入治疗（percu-taneous coronary intervention，PCI）策略。在该研究中，15名介入专家组成的专家组和机器学习模型分别对稳定性冠心病的1 008例瞬时无波比（instantaneouswave-free ratio，iFR）回撤曲线数据进行分析，机器学习模型与专家组在PCI适应证及治疗策略推荐方面表现相当，但机器学习模型表现出更好的可重复性和电子漂移识别能力，最大程度减少了误诊和漏诊。目前心力衰竭患者心脏再同步化治疗（cardiac res-ynchronization therapy，CRT）无应答率仍居高不下，Tokodi等31学者对1 510例患者的回顾性数据进行训练，构建的基于随机森林法的SEMMELWEIS-CRT评分模型能够很好地预测CRT反应性，从而帮助筛选CRT植入最佳候选者。4.2药物决策支持在药物治疗方面，对于心脏瓣膜置换的患者，华法林是指南推荐的抗凝药物，但华法林狭窄的治疗窗口使得患者需要个体化的剂量。研究显示，利用反向传播（back propagation，BP）神经网络模型可有效预测华法林维持剂量，从而为临床医师调整剂量提供参考32。另一项研究利用机器学习算法对2个高血压治疗的大型临床试验（SPRINT研究、ACCORD-BP研究）数据重新分析，能够快捷有效辨别出应接受强化降压治疗或标准治疗的个体33。此外，2019年公布的孟德尔随机化研究表明，与晚年开始降低低密度脂蛋白胆固醇（low density lipoprotein-cholesterol，LDL-C）和收缩压（systolic blood pressure，SBP）相比，终身接触较低的LDL-C和SBP发生心血管事件风险更低34，而传统的风险评估算法偏向于预防，低估了降低LDL-C和SBP的益处，可能导致保守的推荐建议。在2022年ESC年会上报道的因果人工智能（Causal AI）研究，通过AI算法将LDL-C和SBP的因果效应嵌入风险评估算法，显著提高了心血管风图1移动技术支持的房颤整合管理模式渊mAFA冤26栽澡藻泽蚤泽论著王琨，李明，张晓波，等.人工智能在心血管健康管理中的应用现状J.医疗卫生装备，2024，45（2）：92-96.94 窑医疗卫生装备窑 2024年2月第45卷第2期悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造 窑 灾燥造援 45 窑 晕燥援 2 窑 February 窑 2024险和获益评估的有效性，而且可准确估计从任何年龄开始并持续降低LDL-C、SBP或两者的益处35。目前看来，这项研究可为个体化精准干预LDL-C、SBP提供了决策性帮助，包括干预的最佳时机、强度以及持续时间，然而此算法仅比较了英国学会联合会（Joint British Societies，JBS）发布的风险评估算法JBS3，Framingham风险评估以及China-PAR风险模型仍需进一步比较。另外，在基于此算法的运用程序临床推广之前，还需要前瞻性地验证此算法的个体化决策是否能真正降低心血管疾病风险。5人工智能在健康咨询与宣教中的应用在数字健康时代，通过互联网搜索引擎进行信息检索已无法满足人们对高质量健康咨询与宣教的需要。近期备受关注的一款AI聊天机器人ChatGPT可能给健康咨询与宣教领域带来革命性突破。ChatGPT是由美国OpenAI公司公开发布的大型语言模型，可通过理解输入语言文本需求，搜索并深度学习网络大数据，自动提炼有用信息归纳生成语言交流文本，像人类一样交流、回答问题，是一种理想的人机交互接口工具。尽管ChatGPT并没有针对医疗保健行业进行特别训练，但其表现几乎达到美国执业医师考试通过水平。在2023年JAMA发表的一项试验中，根据现行指南对心血管疾病三级预防保健的建议，设立了涉及疾病预防概念、检查结果及用药咨询等25个具体问题，ChatGPT回答合理概率为84%（21/25），这表明ChatGPT已具备一定的与患者进行心血管疾病防治问题互动沟通的能力，具有辅助临床工作的潜力36。但尚存诸多问题需要解决，首先，心血管疾病防治涉及广泛，25个问题不能囊括所有且有4个问题回答不正确，甚至是有害的，这在严肃的医疗过程中不被容许。其次，近期的一项系统综述显示，96.7%（58/60）的记录表达了对使用ChatGPT的担忧，包括伦理及法律问题、无法提供信息来源、无法保证信息的准确性和时效性等37。因此，ChatGPT只能作为在线医生的参考，人工核验步骤必不可少。未来，专门训练的移动健康运用程序将以“助理医生”的形式帮助在线医生拟订话术，快速生成文本信息，既能满足全天候医疗保健需求，又能提高医生工作效率。6结语AI在风险预测、早期筛查、临床决策支持、健康咨询与宣教等方面的研究应用已取得一定的进展。但不可否认，AI到广泛被临床实践应用还有相当的距离。首先，AI作为临床诊疗辅助工具的伦理定位问题，目前的研究大多基于回顾性数据，需要更多的前瞻性、多中心随机双盲对照研究来解决其安全性和可信性。其次，目前我国医疗数据比较混乱，需要建立一个统一标准、互相共享的心血管临床大数据系统以奠定基础。最后，现有研究多基于单个环节或解决单一技术问题，需要计算机专家和临床医生密切合作，充分嵌入临床诊疗路径，建立整合管理平台，以助力实施心血管健康全过程、个体化、精准管理。参考文献1中国心血管健康与疾病报告编写组.中国心血管健康与疾病报告2021概要J.中国循环杂志，2022，37（6）：553-578.2KRITTANAWONG C，ZHANG H J，WANG Z，et al.Artificialintelligence in precision cardiovascularmedicineJ.JAmCollCardiol，2017，69（21）：2 657-2 664.3刘晶晶，张新颖，桂莉，等.人工智能在军事医学中的应用现状及展望J.医疗卫生装备，2021，42（4）：92-97.4ALAREFS J，ANCHOUCHEK，SINGH G，et al.Clinical ap-plications of machine learning in cardiovascular disease anditsrelevanceto cardiac imagingJ.EurHeart J，2019，40（24）：1 975-1 986.5中国心血管病风险评估和管理指南编写联合委员会.中国心血管病风险评估和管理指南J.中华预防医学杂志，2019，53（1）：13-35.6YANGX L，LIJ X，HU D S，et al.Predicting the 10-year risksof atherosclerotic cardiovascular disease in chinese popula-tion：the China-PAR project（prediction for ASCVD risk inChina）J.Circulation，2016，134（19）：1 430-1 440.7KAHADIARIS I A，VRIGKAS M，YEN A A，et al.Mach-ine learning outperforms ACC/AHA CVD risk calculator inMESAJ.J Am Heart Assoc，2018，7（22）：e009476.8WENG S F，REPS J，KAI J，et al.Can machine-learning im-prove cardiovascular risk prediction using routine clinicaldata？J.PLoS One，2017，12（4）：e0174944.9ZELEZNIK R，FOLDYNA B，ESLAMIP，etal.Deepconvolu-tional neural networks to predict cardiovascular risk fromcomputed tomographyJ.Nat Commun，2021，12（1）：715.10 MOTWANI M，DEY D，BERMAN D S，et al.Machine lear-ning for prediction of all-cause mortality in patients with sus-pected coronary arterydisease：a 5-year multicentre prospec-tive registry analysisJ.Eur Heart J，2017，38（7）：500-507.11 DIAZ-PINTOA，RAVIKUMARN，ATTARR，etal.Predictingmyocardial infarction through retinal scans and minimalpersonal informationJ.Nat Mach Intell，2022，4（1）：55-61.12 RUDNICKA A R，WELIKALA R，BARMAN S，et al.Artifi-cial intelligence-enabled retinal vasculometry for predictionof circulatory mortality，myocardial infarction and strokeJ.BJ Ophthalmol，2022，106（12）：1 722-1 729.栽澡藻泽蚤泽论著王琨，李明，张晓波，等.人工智能在心血管健康管理中的应用现状J.医疗卫生装备，2024，45（2）：92-96.95 窑医疗卫生装备窑 2024年2月第45卷第2期悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造 窑 灾燥造援 45 窑 晕燥援 2 窑 February 窑 202413 LIN S，LI Z G，FU B W，et al.Feasibility of using deep lear-ning to detect coronary artery disease based on facial photoJ.Eur Heart J，2020，41（46）：4 400-4 411.14 NURMOHAMED N S，BELO PEREIRA J P，HOOGEVEENR M，et al.Targeted proteomics improves cardiovascular riskprediction in secondary preventionJ.Eur Heart J，2022，43（16）：1 569-1 577.15 UNTERHUBER M，KRESOJA K P，ROMMEL K P，et al.Proteomics-enabled deep learning machine algorithms canenhance prediction of mortalityJ.J Am Coll Cardiol，2021，78（16）：1 621-1 631.16 OIKONOMOUEK，WILLIAMSMC，KOTANIDISCP，etal.Anovelmachinelearning-derived radiotranscriptomic signatureof perivascular fat improves cardiac risk prediction using co-ronary CT angiographyJ.Eur Heart J，2019，40（43）：3 529-3 543.17 ATTIA Z I，NOSEWORTHY P A，LOPEZ-JIMENEZ F，et al.Anartificialintelligence-enabledECGalgorithmfortheiden-tificationofpatientswithatrialfibrillationduringsinusrhythm：aretrospectiveanalysisofoutcomepredictionJ.Lancet，2019，394（10 201）：861-867.18 ELIAS P，POTERUCHA T J，RAJARAM V，et al.Deep lear-ning electrocardiographic analysis for detection of left-sidedvalvularheartdiseaseJ.JAmCollCardiol，2022，80（6）：613-626.19 ATTIA Z I，KAPA S，LOPEZ-JIMENEZ F，et al.Screening forcardiaccontractiledysfunctionusinganartificialintelligence-enabled electrocardiogramJ.Nat Med，2019，25（1）：70-74.20 KO W Y，SIONTIS K C，ATTIA Z I，et al.Detection of hyper-trophiccardiomyopathyusinga convolutionalneural network-enabledelectrocardiogramJ.JAmCollCardiol，2020，75（7）：722-733.21 HUANG L T，TSAI Y S，LIOU C F，et al.Automated stanfordclassification of aortic dissection using a 2-step hierarchicalneural network at computed tomography angiographyJ.EurRadiol，2022，32（4）：2 277-2 285.22 European Society of Cardiology.Artificial intelligence identi-fies severe aortic stenosis from routine echocardiogramsEB/OL.2023-03-29.https:/www.escardio.org/The-ESC/press-Office/Press-releases/Artificial-intelligence-identifies-se-vere-aortic-stenosis-from-routine-echocardiograms.23 GUO Y T，WANG H，ZHANG H，et al.Mobile photoplethys-mographic technology to detect atrial fibrillationJ.J Am CollCardiol，2019，74（19）：2 365-2 375.24 PEREZMV，MAHAFFEYKW，HEDLINH，etal.Large-scaleassessment of a smartwatch to identify atrial fibrillationJ.NEngl J Med，2019，381（20）：1 909-1 917.25 LUBITZS A，FARANESH AZ，SELVAGGIC，et al.Detectionof atrial fibrillation in a large population using wearable de-vices：the fitbit heart studyJ.Circulation，2022，146（19）：1 415-1 424.26 GUO Y T，LANE D A，CHEN Y D，et al.Mobile health tech-nology facilitates population screening and integrated caremanagement in patients with atrial fibrillationJ.Eur Heart J，2020，41（17）：1 617-1 619.27 GUO Y，LANE D A，WANG L M，et al.Mobile health tech-nology to improve care for patients with atrial fibrillationJ.JAm Coll Cardiol，2020，75（13）：1 523-1 534.28 PANULA T，KOIVISTO T，PANKAALA M，et al.An instru-ment for measuring blood pressure and assessing cardiovas-cular health from the fingertipJ.Biosens Bioelectron，2020，167：112483.29 SEMPIONATTO JR，LIN M，YIN L，et al.An epidermal patchfor the simultaneous monitoring of haemodynamic and meta-bolic biomarkersJ.Nat Biomed Eng，2021，5（7）：737-748.30 COOKC M，WARISAWA T，HOWARD J P，et al.Algorithmicversusexperthuman interpretation ofinstantaneouswave-freeratio coronary pressure-wire pull back dataJ.JACC Cardio-vasc Interv，2019，12（14）：1 315-1 324.31 TOKODI M，SCHWERTNER W R，KOVACS A，et al.Ma-chine learning-based mortality prediction of patients under-going cardiac resynchronization therapy：the SEMMELWEIS-CRT scoreJ.Eur Heart J，2020，41（18）：1 747-1 756.32 LI Q，WANG J，TAO H，et al.The prediction model of warfa-rin individual maintenance dose for patients undergoing heartvalve replacement，based on the back propagation neural net-workJ.Clin Drug Investig，2020，40（1）：41-53.33 DUAN T，RAJPURKAR P，LAIRD D，et al.Clinical value ofpredicting individual treatment effects for intensive bloodpressure therapyJ.Circ Cardiovasc Qual Outcomes，2019，12（3）：e005010.34 FERENCE B A，BHATT D L，CATAPANO A L，et al.Asso-ciation of genetic variants related to combined exposure tolower low-density lipoproteins and lower systolic blood pre-ssure with lifetime risk of cardiovascular diseaseJ.JAMA，2019，322（14）：1 381-1 391.35 EuropeanSocietyofCardiology.NovelAIalgorithmcouldhelppersonalise the prevention of cardiovascular diseasEB/OL.2023-03-29.https:/www.escardio.org/The-ESC/Press-Office/Press-releases/Novel-AI-algorithm-could-help-per-sonalise-the-prevention-of-cardiovascular-disease.36 SARRAJU A，BRUEMMERD，VAN ITERSON E，et al.App-ropriateness of cardiovascular disease prevention recommen-dations obtained from a popular online chat-based artificialintelligence modelJ.JAMA，2023，329（10）：842-844.37 SALLAM M.ChatGPTutility in healthcare education，resear-ch，and practice：systematic review on the promising perspe-ctives and valid concernsJ.Healthcare（Basel），2023，11（6）：887.（收稿：2023-05-02修回：2023-11-15）栽澡藻泽蚤泽论著王琨，李明，张晓波，等.人工智能在心血管健康管理中的应用现状J.医疗卫生装备，2024，45（2）：92-96.96