《人工智能在心血管疾病中的應用科學聲明》解讀

【摘要】 人工智能（AI）是改善衛生保健服務的新興技術。在全球政府機構和學術部門的共同推進下，大量研究論證AI可以改進心血管疾病的診斷、治療和預防，但其發展和應用仍存在一些限制，尚未在廣泛范圍內服務臨床。基于此，美國心臟協會（AHA）于2024-04-02在Circulation發表了《人工智能在心血管疾病中的應用科學聲明》（以下簡稱聲明）。該聲明綜述了AI在心血管疾病診斷、分類和治療中的研究進展，提出了AI應用中存在的問題以及潛在解決方案，并且構建了未來AI在心血管領域應用的框架。本文旨在對該聲明進行解讀，為我國AI在心血管疾病的應用和研究提供建議和方向。

【關鍵詞】 人工智能；心血管疾病；科學聲明；解讀；美國心臟協會

【中圖分類號】 R 54 【文獻標識碼】 A DOI：10.12114/j.issn.1007-9572.2024.0192

Interpretation of the Use of Artificial Intelligence in Improving Outcomes in Heart Disease：a Scientific Statement from the American Heart Association

ZHOU Yiheng，YANG Ziyu，LYU Yao，LIU Lidi，SHEN Can，LIAO Xiaoyang，JIA Yu*

Teaching amp; Research Section/General Practice Research Institute，General Practice Medical Center，West China Hospital，Sichuan University，Chengdu 610041，China

*Corresponding author：JIA Yu，Research associate；E-mail：jiayu_huaxi@qq.com

ZHOU Yiheng and YANG Ziyu are co-first authors

【Abstract】 Artificial Intelligence（AI）is an emerging technology to improve healthcare services. With the joint promotion of government agencies and academic departments around the world，a large number of studies have demonstrated that AI can improve the diagnosis，treatment and prevention of cardiovascular disease. However，there are still some limitations in its development and application，and it has not yet been widely used in clinical practice. Based on this，the American Heart Association（AHA）published the Use of Artificial Intelligence in Improving Outcomes in Heart Disease：a Scientific Statement from the American Heart Association in Circulation on April 2，2024. This statement reviews the research progress of AI in the diagnosis，classification and treatment of cardiovascular disease，puts forward the existing problems and potential solutions，and builds a framework for the future application of AI in the cardiovascular disease. This article aims to interpret the statement for providing advice and direction for the application and research of AI in cardiovascular disease in China.

【Key words】 Artificial intelligence；Cardiovascular diseases；Scientific statement；Interpretation；American Heart Association

心血管疾病（cardiovascular diseases，CVD）是全球最主要的死亡原因，發病率呈持續上升趨勢［1］。CVD在不同病情階段異質性明顯，精準防治CVD仍然是當前的巨大挑戰［2-3］，亟須探索解決路徑。人工智能（artificial intelligence，AI）可解析復雜數據、挖掘隱藏關聯、構建數學模型，是改進臨床實踐的新興技術，有望提高心血管領域的各項診治技術的準確性和效率［4］。美國心臟協會（American Heart Association，AHA）于2024-04-02在Circulation發表的《人工智能在心血管疾病中的應用科學聲明》（以下簡稱聲明）中提出，AI在醫學的應用得到學術界和全球政府機構的推動，各級部門正在投入大量資源利用AI改變醫療保健服務，這促使過去十年與醫療保健相關的AI研究快速增長［5］。該聲明綜述了AI在心血管領域研究和臨床實踐中實現精準醫療和實施科學的最新技術，展示了AI在心血管領域的推廣應用現狀，并分析了相關局限性以及解決手段。考慮到該聲明對于推動AI在心血管疾病研究、應用和發展的重要作用，團隊對此聲明進行解讀，供同行學者參考。解讀團隊由心血管病專家、全科醫學臨床醫生以及從事AI相關研究的臨床醫生組成。

1 聲明制訂背景與方法

該聲明是由SALAH S. Al-Zaiti博士代表AHA精準心血管醫學研究所及其他多個委員會撰寫的科學聲明，旨在展現AI在心血管研究和臨床護理中實現精準醫療和實施科學的當前狀況以及說明AI的實踐情況和挑戰。該聲明適用于所有已應用或者可能應用AI的醫療衛生機構，包括初級醫療衛生機構、特殊醫療衛生機構、長期醫療衛生機構和社區，目標人群為從事與心血管疾病有關的臨床醫生以及研究AI的科研人員。聲明主要是通過總結現有AI在心血管疾病診斷、分類和治療中的研究，提出了AI在心血管疾病各個領域的應用和面臨的挑戰。

2 聲明的主要內容

2.1 AI在影像學中的應用

心臟影像學在臨床中存在一些問題，例如人才培養周期長、醫療資源不平等及圖像處理、分割、定量工作量大［6］。AI的成像工具可能是這些問題的有效解決方案。

AI算法在心臟疾病診斷和預后方面得到廣泛運用，不僅涵蓋了安排和調度圖像獲取的過程，還能減少圖像獲取和處理時間，減少輻射暴露和對比劑使用量。另外，AI算法還能輔助于診斷和報告，為臨床決策提供支持，并預估患者的預后。AI在多種心臟成像方式（超聲心動圖、心臟CT、心臟核磁共振成像和核醫學成像）均有應用價值。在超聲心動圖中，AI可以自動分割心室容積進行分析，計算射血分數，評估瓣膜結構以及縱向應變和心室壁運動異常［7］。在心臟CT中，AI可以自動量化冠狀動脈斑塊和血流，對冠狀動脈評分從而評估心血管風險，以及計算血流儲備分數和心肌灌注［8］。例如，我國學者CHEN等［9］以299例冠心病患者的血管內超聲為參考標準，構建了基于冠脈CT的斑塊影像模型，發現建立的影像模型比傳統根據斑塊解剖學特征判斷易損斑塊的準確度更高，并且與不良心血管事件相關。AI在心臟核磁中能夠自動分析心室結構和體積以及心肌血流和灌注儲備［10］。在核醫學成像方面，AI可以用于心肌血流和流動儲備的量化以及其心血管死亡率的預測。另外，AI在心臟疾病的治療以及卒中的早期診斷和預后預測等方面有一定的應用價值。

AI在影像學中的應用面臨一些挑戰，如數據樣本量偏小、數據整理復雜等。聲明指出，通過采用適當的學習技術（例如監督學習或者非監督學習）、開發深度學習、建立數據共享機制，可能是有效的解決途徑。

2.2 AI在電生理方面的應用

在電生理領域，AI通過自動化解讀可以識別心電信號。多項研究表明AI可以擴展現有專家的能力，實現心電圖報告的自動化和精確解讀［11-13］，然而，由于目前臨床數據的應用相對不足，這可能對醫療決策產生不利影響［14］。其次，可以識別人工難以識別的心電圖的微妙變化，增強對疾病表型的鑒別。此外，在疾病發生過程中，心臟電活動的改變較影像學改變和結構改變出現得更早，因此AI的應用可能有助于發現隱匿性疾病和預測相關疾病。

回顧性研究中顯示AI可以通過心電圖在不同人群（不同性別、種族、妊娠狀態）中識別出左心室功能不全［15］。另外，在超過20 000例非心力衰竭患者中，AI通過心電圖對心室功能不全的檢測率相比常規方法提高了32%［16］。AI還可以識別其他結構性心臟病，包括肥厚型心肌病、淀粉樣變性、主動脈狹窄和肺動脈高壓。在36 280例患者中（已知8.4%具有陣發性心房顫動），AI通過單導聯心電圖識別無癥狀心房顫動的受試者工作特征曲線下面積（AUC）為0.87［12］。我國有研究通過整合心電圖和影像學等資料開發出的AI模型成功用于主動脈夾層的診斷［17］，這一成果拓展了AI在心電圖領域的應用，表明可以利用AI對心電圖以及其他資料進行整合開發，從而增強對心血管疾病的識別能力。此外，還有研究顯示AI可以分別通過心內的心臟電信號、心電圖或者患者臨床特征來預測消融后心房顫動的再發生率，均比現有的臨床評分具有更高的準確度，而且多模態融合心臟電信號、心電圖和患者臨床特征可以進一步提高預測準確度［18］。

AI在電生理領域應用的局限性包括在大型人群中應用的穩健性不足，缺乏前瞻性的臨床研究。通過結合心血管電生理專業知識、加強醫療和AI的交叉融合、增加結果可解釋性，有助于提高AI在人群應用的穩健性。

2.3 AI在院內監測的應用

傳統的院內監測系統在生命指標超出給定閾值時即會發出警報，這種警報方法忽略了個體生理信號之間的潛在變化，有研究顯示5%～13%的監測警報是有價值的［19］，無效警報在重癥監護室較常見，大部分無效警報可能會分散醫生的注意力從而危害患者健康。

AI可以優化患者的監護，提高監測準確性。在重癥監護室應用卷積神經網絡可以區分真假監護報警，從而減少警報疲勞［20］。在預測病情惡化方面，床旁監測AI可以識別出重癥監護室監測心力衰竭的惡化和失代償前的細微生理特征變化，從而進行早期干預。另外，AI可以對敗血癥和低血壓提前預測，較傳統方法提前3～40 h并且有很高的準確性。一項納入36項研究（包含6項隨機對照試驗）的Meta分析顯示，基于AI算法預測敗血癥并早期干預相比其他預測敗血癥的策略死亡率更低（相對風險度為0.56）［21］。AI可以利用心電圖、血壓和經皮血氧飽和度預測心室纖顫的發生，對心室纖顫發作5 min～6 h的準確性為0.83～0.94［22］。在心房顫動的預測方面，一項納入6 040例心臟手術術后患者的研究顯示，AI預測術后心房顫動的發生率優于標準化臨床評分。AI還可以預測既往心房顫動病史的住院患者發生卒中、短暫性缺血發作和出血的風險［23］。AI也可以有效預測各種手術圍術期并發癥和死亡率，可以改善患者選擇、手術設計和知情同意。

AI在院內監測的應用面臨一些挑戰，包括缺乏嚴格的前瞻性評估、對臨床終點的影響有限、難以做出影響臨床決策的預測，以及缺乏標準化平臺向臨床醫生報告預測等問題。此外，聲明還指出噪聲干擾和監測數據的有效性等問題。對此，通過設計前瞻性試驗可以驗證AI評估的準確性，延長數據采集時間、增強監測數據的有效性。

2.4 AI在可穿戴/可植入設備的應用

植入式和可穿戴技術可以為臨床醫生提供連續性的生理數據，合理解讀這些數據可以更全面地了解疾病進展、找到新的干預時間點、重新定義住院和門診的界限，改善醫療不平衡。

聲明指出可穿戴設備可以記錄使用者的運動、心率、心律和血壓情況，可以用于日常健康管理甚至疾病診斷。大量研究表明基于AI的可穿戴設備可以監測近期心房顫動的發生，還可以利用脈沖信號測量血壓。我國一項納入近25萬人的心房顫動篩查研究顯示0.23%的參與者收到心房顫動預警且陽性值高達91.6%［24］。可穿戴設備還可以指導心力衰竭患者的管理，一項多中心的研究顯示將AI應用于智能手機的可穿戴的多傳感器胸貼，可以對心力衰竭加重有很高的預測價值（靈敏度為88%，特異度為85%）［25］。植入式設備也可以提供數據監測以改善心血管護理，包括植入式心律失常監測器、起搏器或除顫器。

可穿戴設備應用的局限性包括信號質量和患者舒適度。可穿戴設備的數據隱私問題需要得到進一步的解決，數據的隱私和完整性需要得到保護，比如可以建立基于AI技術的可穿戴設備的監管途徑。另外，許多已公開發表的AI算法缺乏透明度和可復現性［26］，需要進一步的前瞻性研究或臨床試驗來驗證AI算法的可信度。例如，有研究表明通過可穿戴設備診斷的心房顫動僅有34%～65%的準確性，大部分心房顫動記錄無法得到證實［27］。在接受度方面，有調查顯示35%的臨床工作者拒絕將基于AI技術的可穿戴設備應用于患者管理［28］。

2.5 AI在遺傳變異的應用

DNA測序項目提供了大量的人類基因組數據，結合表型信息和生活方式，為AI提供了所需的訓練數據。AI對心血管疾病風險變異的識別，可以預測個體未來的疾病風險，開啟疾病進行監測的新階段，有助于開發靶向藥物和預測疾病的嚴重程度。利用AI將多基因風險評分和臨床信息結合，可能會推進精準醫療在心血管疾病中的應用和實施。然而，識別心血管疾病風險變異的AI尚處于開發階段，需要不斷地發展完善才可能成熟應用。

2.6 AI在電子病歷的應用

利用AI對電子病歷進行分析可以改善疾病監測，將患者分層為“可治療類型”和“不可治療類型”，并基于此確定臨床工作流程。另一方面，電子病歷中記錄了大量的數據，包括患者病史、實驗室檢查、影像學檢查、臨床結局等，AI可以整合這些信息，從中提取出有用的模式和關聯，從而對疾病結果進行預測。聲明描述了幾個基于電子病歷的成功應用案例。

在預測死亡率方面，一項總結了21項基于AI使用電子病歷預測院內死亡率的綜述顯示，AI預測重癥監護室死亡率正確性約為86%［29］。另一項納入超20萬名重癥監護室患者的研究顯示［30］，AI基于電子病歷預測患者30 d死亡率的準確性高于簡化急性生理學評分（SAPS）。AI使用電子病歷預測不良心血管事件也具有很高的準確性，一項納入7 686例患者電子病歷的研究顯示［31］，在對1 000個變量進行分析后，預測研究的AUC為0.81。在疾病分類方面，AI可以整合多個復雜數據來更好地對疾病進行分類。比如，對于心力衰竭的分類，AI不局限于傳統的射血分數保留和射血分數下降的分類，還整合了多種模式的數據，以識別心力衰竭不良預后風險增高的患者。

基于AI分析電子病歷在臨床中的應用也存在一些限制，比如電子病歷的質量和準確性。在分析電子病歷時也會產生潛在偏差，比如臨床醫生會對病情嚴重或者不穩定的患者進行更多的檢查以及重復檢查，因此收集的病歷其實有臨床醫生的潛在判斷，而且這種偏差在不同的臨床醫生中具有高度變異性。而且，不同實驗室的測量結果并非完全相同，這可能造成研究結果缺乏普遍性。另外，目前仍然缺乏足夠的證據表明基于電子病歷的AI預測可以對患者預后產生積極影響。

3 AI在心血管領域實施的框架

聲明針對未來如何在心血管領域應用AI提出了一系列綜合性策略，確保AI在心血管疾病和管理中的有效應用和整合。這一框架不僅著眼于技術和科學層面的考量，同時強調了倫理、法規、教育和患者參與的重要性，旨在指導從AI技術開發到臨床實踐的整個過程，構建一個全面、可持續發展的系統，以促進AI技術在心血管醫學領域的成功實施和應用。結合聲明全文內容，團隊總結框架內容如下：

（1）數據質量與標準化：強調數據的質量和標準化是成功實施AI的關鍵。這需要確保所收集數據的準確性、全面性和代表性，并遵循統一的數據格式和標準，以便于數據的共享、分析和跨平臺兼容。

（2）多學科協作：提倡建立一個跨學科的協作環境，讓醫生、數據科學家、AI技術專家、患者以及政策制定者等多方參與到AI解決方案的開發和實施過程中。這有助于從不同的角度理解心血管醫學的需求和挑戰，并共同開發出更加有效、可靠的AI算法。

（3）透明性與可解釋性：對于心血管醫學中使用的AI模型，要求其不僅需要有高精度，同時也要具備透明性和可解釋性，即模型的決策過程可以被醫生和患者理解，確保醫療決策的信任度和接受度。

（4）法規遵從與倫理考量：強調在AI技術的開發和應用過程中，必須遵循相關法規政策，并嚴格考慮倫理問題，包括但不限于患者隱私保護、數據安全以及公平性等問題。

（5）驗證與臨床試驗：在AI技術正式應用于臨床之前，必須通過嚴格的驗證和臨床試驗，以評估其安全性、有效性和可靠性。這包括在多樣化的患者群體中進行大規模的驗證，確保技術的普適性和廣泛應用價值。

（6）持續監測與改進：強調持續監測對AI系統的重要性，并根據臨床反饋和技術進步不斷優化和調整模型。這有助于實時發現并解決可能出現的問題，保障患者的健康和安全。

（7）教育與培訓：為了確保醫療人員能夠有效使用AI技術，提倡對醫生、護士等臨床人員進行必要的AI教育和技能培訓，提高他們對新技術的認識和應用能力。

（8）患者參與：鼓勵將患者納入AI技術的開發和評估過程中，確保技術設計和實施能夠滿足患者的實際需求，以及提高患者對于使用AI技術的接受度和滿意度。

4 聲明對我國臨床實踐和指南制訂的意義

4.1 對我國臨床實踐的意義

聲明強調了利用AI技術實現精準醫學和實施科學在心血管疾病研究和臨床中的應用，這為我國在心血管醫學領域推行精準醫學提供了重要的參考和借鑒，有助于提升治療效率和個體化治療水平。另外，AI技術可以在一定程度上解決我國醫療資源不平衡的現狀，對于改善偏遠和欠發達地區的醫療服務有重要意義。但是，考慮到前文所述應用AI的限制，臨床工作中應當把AI處理的結果當作決策的參考意見而非決定因素。

4.2 對我國指南制訂的意義

聲明指出AI應用的研究現狀以及存在的挑戰，為我國心血管疾病治療指南的制訂和更新提供了多維度參考。應用AI有助于改善對心血管疾病的篩查、預測、診斷和治療，但是需要更多的前瞻性、多中心和隨機對照研究來提高AI應用的證據等級。

5 小結

該聲明為心血管醫學領域的科研和臨床實踐提供了前沿技術的應用展望，還提出了實施中需關注的多個關鍵問題，對于推動我國AI的發展和應用有顯著的參考價值。同時，聲明為我國制訂和完善心血管疾病治療指南提供了重要參考，特別是在充分利用AI技術、提升治療效果、保證患者安全等方面。聲明鼓勵跨學科合作，促進技術的平等化應用，并指出了當前實踐中需要注意的問題和挑戰。但是AI的應用也有一定局限性，比如AI可靠性尚未得到大規模驗證，缺乏前瞻性研究，存在數據安全性和相關法律制定問題，缺乏證據支持應用AI可以改善患者預后等。因此，相關問題是未來的研究重心，以促進AI服務臨床實踐。

作者貢獻：周伊恒、楊梓鈺負責文章的構思與設計、論文撰寫；呂垚、劉力滴、沈燦、廖曉陽負責對文章的修訂；賈禹負責文章的質量控制及審校，對文章整體負責。

本文無利益沖突。

參考文獻

［1］CREA F. Challenges in the prevention of cardiovascular diseases：traditional and non-traditional risk factors［J］. Eur Heart J，2021，42（21）：2025-2029. DOI：10.1093/eurheartj/ehab296.

［2］VALENZUELA P L，RUILOPE L M，SANTOS-LOZANO A，et al.

Exercise benefits in cardiovascular diseases：from mechanisms to clinical implementation［J］. Eur Heart J，2023，44（21）：1874-1889. DOI：10.1093/eurheartj/ehad170.

［3］LAVIE C J. Progress in cardiovascular diseases statistics 2022［J］. Prog Cardiovasc Dis，2022，73：94-95. DOI：10.1016/j.pcad.2022.08.005.

［4］王義為，楊婷婷，朱光宇，等. 心血管數字醫學的臨床應用進展及展望［J］. 中國心血管病研究，2023，21（8）：740-745. DOI：10.3969/j.issn.1672-5301.2023.08.012.

［5］ARMOUNDAS A A，NARAYAN S M，ARNETT D K，et al. Use of artificial intelligence in improving outcomes in heart disease：a scientific statement from the American Heart Association［J］. Circulation，2024，149（14）：e1028-1050. DOI：10.1161/CIR.0000000000001201.

［6］WEIKERT T，FRANCONE M，ABBARA S，et al. Machine learning in cardiovascular radiology：ESCR position statement on design requirements，quality assessment，current applications，opportunities，and challenges［J］. Eur Radiol，2021，31（6）：3909-3922. DOI：10.1007/s00330-020-07417-0.

［7］VAN DEN OEVER L B，VONDER M，VAN ASSEN M，et al. Application of artificial intelligence in cardiac CT：from basics to clinical practice［J］. Eur J Radiol，2020，128：108969. DOI：10.1016/j.ejrad.2020.108969.

［8］RAU A，SOSCHYNSKI M，TARON J，et al. Artificial intelligence and radiomics：value in cardiac MRI［J］. Radiologie，2022，

62（11）：947-953. DOI：10.1007/s00117-022-01060-0.

［9］CHEN Q，PAN T，WANG Y N，et al. A coronary CT angiography radiomics model to identify vulnerable plaque and predict cardiovascular events［J］. Radiology，2023，307（2）：e221693. DOI：10.1148/radiol.221693.

［10］NARAYAN S M，WANG P J，DAUBERT J P. New concepts in sudden cardiac arrest to address an intractable epidemic：JACC state-of-the-art review［J］. J Am Coll Cardiol，2019，73（1）：70-88. DOI：10.1016/j.jacc.2018.09.083.

［11］BOLLEPALLI S C，SEVAKULA R K，AU-YEUNG W M，et al. Real-time arrhythmia detection using hybrid convolutional neural networks［J］. J Am Heart Assoc，2021，10（23）：e023222. DOI：10.1161/JAHA.121.023222.

［12］ATTIA Z I，NOSEWORTHY P A，LOPEZ-JIMENEZ F，et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm：a retrospective analysis of outcome prediction［J］. Lancet，2019，394（10201）：861-867. DOI：10.1016/S0140-6736（19）31721-0.

［13］AL-ZAITI S，BESOMI L，BOUZID Z，et al. Machine learning-based prediction of acute coronary syndrome using only the pre-hospital 12-lead electrocardiogram［J］. Nat Commun，2020，11（1）：3966. DOI：10.1038/s41467-020-17804-2.

［14］SMITH S W，WALSH B，GRAUER K，et al. A deep neural network learning algorithm outperforms a conventional algorithm for emergency department electrocardiogram interpretation［J］. J Electrocardiol，2019，52：88-95. DOI：10.1016/j.jelectrocard.2018.11.013.

［15］YAO X X，RUSHLOW D R，INSELMAN J W，et al. Artificial intelligence-enabled electrocardiograms for identification of patients with low ejection fraction：a pragmatic，randomized clinical trial［J］. Nat Med，2021，27（5）：815-819. DOI：10.1038/s41591-021-01335-4.

［16］SIONTIS K C，LIU K，BOS J M，et al. Detection of hypertrophic cardiomyopathy by an artificial intelligence electrocardiogram in children and adolescents［J］. Int J Cardiol，2021，340：42-47. DOI：10.1016/j.ijcard.2021.08.026.

［17］LIU W T，LIN C S，TSAO T P，et al. A deep-learning algorithm-enhanced system integrating electrocardiograms and chest X-rays for diagnosing aortic dissection［J］. Can J Cardiol，2022，38（2）：160-168. DOI：10.1016/j.cjca.2021.09.028.

［18］TANG S Y，RAZEGHI O，KAPOOR R，et al. Machine learning-enabled multimodal fusion of intra-atrial and body surface signals in prediction of atrial fibrillation ablation outcomes［J］. Circ Arrhythm Electrophysiol，2022，15（8）：e010850. DOI：10.1161/CIRCEP.122.010850.

［19］RUSH B，CELI L A，STONE D J. Applying machine learning to continuously monitored physiological data［J］. J Clin Monit Comput，2019，33（5）：887-893. DOI：10.1007/s10877-018-0219-z.

［20］GUGLIN M E，THATAI D. Common errors in computer electrocardiogram interpretation［J］. Int J Cardiol，2006，106（2）：232-237. DOI：10.1016/j.ijcard.2005.02.007.

［21］SYED M，SYED S，SEXTON K，et al. Application of machine learning in intensive care unit（ICU）settings using MIMIC dataset：systematic review［J］. Informatics，2021，8（1）：16. DOI：10.3390/informatics8010016.

［22］MATAM B R，DUNCAN H，LOWE D. Machine learning based framework to predict cardiac arrests in a paediatric intensive care unit：prediction of cardiac arrests［J］. J Clin Monit Comput，2019，33（4）：713-724. DOI：10.1007/s10877-018-0198-0.

［23］FALSETTI L，RUCCO M，PROIETTI M，et al. Risk prediction of clinical adverse outcomes with machine learning in a cohort of critically ill patients with atrial fibrillation［J］. Sci Rep，2021，11（1）：18925. DOI：10.1038/s41598-021-97218-2.

［24］GUO Y T，WANG H，ZHANG H，et al. Mobile photoplethysmographic technology to detect atrial fibrillation［J］. J Am Coll Cardiol，2019，74（19）：2365-2375. DOI：10.1016/j.jacc.2019.08.019.

［25］SHAH A J，ISAKADZE N，LEVANTSEVYCH O，et al. Detecting heart failure using wearables：a pilot study［J］. Physiol Meas，2020，41（4）：44001. DOI：10.1088/1361-6579/ab7f93.

［26］HAIBE-KAINS B，ADAM G A，HOSNY A，et al. Transparency and reproducibility in artificial intelligence［J］. Nature，2020，586（7829）：E14-16. DOI：10.1038/s41586-020-2766-y.

［27］WYATT K D，POOLE L R，MULLAN A F，et al. Clinical evaluation and diagnostic yield following evaluation of abnormal pulse detected using Apple Watch［J］. J Am Med Inform Assoc，2020，27（9）：1359-1363. DOI：10.1093/jamia/ocaa137.

［28］TRAN V T，RIVEROS C，RAVAUD P. Patients' views of wearable devices and AI in healthcare：findings from the ComPaRe e-cohort［J］. NPJ Digit Med，2019，2：53. DOI：10.1038/s41746-019-0132-y.

［29］PIRRACCHIO R，PETERSEN M L，CARONE M，et al. Mortality prediction in intensive care units with the Super ICU Learner Algorithm（SICULA）：a population-based study［J］. Lancet Respir Med，2015，3（1）：42-52. DOI：10.1016/S2213-2600（14）70239-5.

［30］WU T T，ZHENG R F，LIN Z Z，et al. A machine learning model to predict critical care outcomes in patient with chest pain visiting the emergency department［J］. BMC Emerg Med，2021，21（1）：112. DOI：10.1186/s12873-021-00501-8.

［31］ZHAO J，FENG Q P，WU P，et al. Learning from longitudinal data in electronic health record and genetic data to improve cardiovascular event prediction［J］. Sci Rep，2019，9（1）：717. DOI：10.1038/s41598-018-36745-x.

（收稿日期：2024-04-10；修回日期：2024-07-25）

（本文編輯：趙躍翠）