“随着人工智能、大数据等技术的应用普及，慢病防治同质化发展将成为可能。”近日，国家卫生健康委医药卫生科技发展研究中心主任郑忠伟在由中华预防医学会主办的2023年中国慢性病防控大会上说。

近年来，医疗行业正借助科技的力量，快步推进慢病防治，改变着健康行业的未来。

打开识别风险的眼底“窗口”

心血管疾病是国民健康的“头号杀手”。国家心血管病中心发布的《中国心血管健康与疾病报告2022》推算我国心血管疾病现患人数为3.3亿，每5例死亡病例中就有2例死于心血管疾病。

“识别高风险个体，尽早采取针对性防治措施，是延缓或避免心血管疾病发生的重中之重。”北京大学临床研究所研究员解武祥介绍，20世纪40年代美国弗莱明翰心脏研究启动，开发了多个估算个体未来10年发生缺血性心脑血管病（ICVD）风险的预测模型。而东西方人群的心血管病发病模式不同，“中国需要建立自己的ICVD风险预测模型”。

解武祥介绍，传统的预测模型需测量血压、BMI（身体质量指数），有创测量血糖、血脂，且计算复杂，难以推广应用。北京大学临床研究所与两家企业合作，使用全国19个省（市）41万人的健康体检数据，开发了一个基于眼底照片的人工智能算法模型，即以传统ICVD模型计算得到的10年ICVD发病风险，并对眼底照片进行标注，通过大样本的训练，建立起眼底照片与10年ICVD发病风险之间的关系。该模型可较好地预测ICVD高风险人群。

“眼底是人体唯一可以通过相机拍摄到动脉、静脉和毛细血管的部位。视网膜上的神经是中枢神经的延伸，视网膜微动脉主要是颈内动脉的延伸，与脑血管同源。从视网膜照片可以观测到视网膜微动脉的硬化程度，这有望成为反映心脑血管动脉硬化或动脉粥样硬化程度的窗口。”解武祥介绍，2017年，他带领团队在北京市石景山区建立了BRAVE队列，集纳1700余名中老年人，受试者均接受了眼底照片和冠脉CT检查。研究结果表明，视网膜动脉硬化程度与冠脉钙化程度显著相关。

据了解，采用“眼底照片﹢人工智能”的预测模式，无需专业医生操作即可自动对焦，整个流程无创，且可以在1分钟以内完成，照片拍摄成本仅需约10元，便于大范围推广使用。

“动脉粥样硬化也是痴呆的重要危险因素。随着这一新型人工智能模型的出现，各级医疗机构只要安装1台便捷的眼底自动照相设备，即可在1分钟内轻松获知受检者未来10年的ICVD发病风险和未来20年的痴呆发病风险。”解武祥表示，这一模型有助于早期发现这两种疾病的高风险人群，早期启动危险因素干预，从而降低发病率和死亡率，减少治疗费用。

赋予影像科医生“第二双眼睛”

脑卒中俗称“中风”，具有高患病率、高发病率、高死亡率和高致残率的特点。在对脑卒中患者的急救过程中，影像科医生需要在尽可能短的时间内为临床医生提供精准的影像诊断以及数据量化的循证医学诊疗证据。

临床上被怀疑患脑卒中的人，以往通常要接受头颈部血管成像、灌注成像或磁共振检查。从其开始接受检查，到图像处理、图像分析、出具报告，耗时较长。“各级医院影像科医生水平参差不齐。”首都医科大学附属北京天坛医院国家神经系统疾病临床医学研究中心大数据中心主任姜勇介绍，为提高诊断效率和精度，北京天坛医院研发了人工智能脑灌注影像判读软件——iStroke，赋予影像科医生“第二双眼睛”。

“急性脑卒中再灌注治疗的最佳治疗窗口期一般为6小时内。对超出时间窗的部分患者进行干预治疗，是临床中面临的难题和挑战。”姜勇介绍，iStroke能够进行“一站式”卒中神经影像分析评估，即识别MR（磁共振）扫描多重序列，5秒内完成对病变的精确分割、性质判定和定量评估，并自动生成结构化报告。

“iStroke能将有效治疗时间窗口从6小时延长至24小时，为提高急性脑卒中再灌注治疗率和急性缺血性卒中治疗质量提供有力的技术支撑。”此外，姜勇介绍，北京天坛医院正在应用iStroke进行相关试验，探究第三代溶栓药物替奈普酶在中国缺血性卒中患者中的有效性和安全性。

姜勇介绍，与传统溶栓药物阿替普酶相比，替奈普酶具有使用便利等临床优势。北京天坛医院的此项试验仅纳入东亚人，弥补了这一研究领域的空白。

基于电子病历打造“智医助手”

随着电子病历的普及，北京大学软件工程国家工程研究中心开发“小雅医生”智慧医疗系统，通过分析电子病历数据，建立人工智能算法模型，辅助诊疗。

“电子病历数据存在高维、小样本、稀疏、高噪声等特点，使得数据分析难度大大提升。”北京大学软件工程国家工程研究中心副主任王亚沙介绍，高维，源于人体的复杂性，反映健康状态的因素多；小样本，是因为跨医院的数据流动、集成难，可分析的患者数据少；稀疏，指患者并非每次就诊都会接受所有的检查，很多数据缺失；高噪声，是由于检验检查手段不一致，数据质量标准不统一，数据处理中存在疏漏，数据存在较多错误。

面对上述难点，王亚沙团队提出了3个技术创新思路。第一，根据数据和任务特点，设计恰当的模型，尽量榨取数据中蕴含的信息，避免不合理假设。第二，充分利用医学知识，构建合理的先验假设，约简待训练的模型参数，提高算法学习效率。第三，除电子病历以外，尽量利用其他相关数据，增强模型学习效果。基于上述思路，该团队推出了一系列原创性的分析技术，并研发了基于电子病历数据分析的决策支持系统“小雅医生”。

“小雅医生”能够对人工智能模型的决策依据给出解释，发现患者病史上的重要事件，给出诊疗建议。“我们与北京大学第三医院等6家医院保持长期合作，以获得真实的电子病历数据、临床需求、医学知识和模型验证。在与北医三院肾内科的合作研究中发现，‘小雅医生’基本可以达到一位高年资专科医生对死亡风险评估解释的能力。”王亚沙说，参与评测的医护人员反馈，在“小雅医生”的辅助下，临床医疗水平与效率得到显著提高。

此外，基于深度学习模型，“小雅医生”能够分析电子病历数据中不同患者死亡风险与临床指标之间的关系，为患者提供个体化指标参考值。

“模型通过分析真实的腹膜透析患者电子病历数据，可以给出一些临床指南中未明确阐明的信息。例如，门诊患者血肌酐的指南参考值上限为115微摩尔/升。而对于终末期慢性肾病患者来说，血肌酐应该控制在哪个范围，临床指南并未给出标准答案。‘小雅医生’发现，对大多数终末期慢性肾病患者来说，血肌酐应该保持在900微摩尔/升左右。”王亚沙解释，经专家确认，对于一般门诊患者而言，血肌酐过高表明肾脏功能受损，但终末期慢性肾病患者血肌酐普遍偏高，数值低反而可能表明患者营养状况变差、肌肉容量低，可能面临不良结局。

“除了诊断和预测外，为每位患者找出对其健康影响最大且可以调整的因素，并明确个性化的治疗计划，以最大限度地提高其临床收益，是非常复杂的问题。”王亚沙表示，深度强化学习可能是解决此类问题的有力方法，目前相关研究依然在路上。

文：健康报记者 刘嵌玥

编 辑 ：管仲瑶

校对：杨真宇

审核：徐秉楠 王乐民