人工智能 第3版(人工智能第3版 贲可荣课后答案)

近年来，可穿戴设备、人工智能技术发展迅猛，集中在房颤检出及风险预测。如何将数据实时驱动个性化智能模型应用于临床管理是关注的焦点。

一年一度的欧洲心脏病学学会年会(ESC)是心血管领域世界级的重要会议之一，于8月27日～30日在线上举行，在此次会议上，301医院心脏健康研究团队共有6项智能技术心血管健康风险监测及管理的工作在大会交流。

睡不好跟房颤发生有关?研究证实：睡眠呼吸障碍人群房颤风险增加5倍

2021年8月27日，欧洲心脏病学学会年会(ESC)房颤论坛上，301医院心脏健康研究团队介绍睡眠呼吸障碍风险人群心房颤动(房颤)筛查情况，这是团队在可穿戴设备心血管健康风险监测系列工作，继2019年ESC大会m-Health in Arrhythmias报道真实世界光电容积脉搏波技术筛查房颤之后，全球首个在睡眠呼吸障碍人群筛查房颤风险的报道。

2019年12月至2020年12月共有187,933例(平均年龄38.18 ± 10.77 岁, 91% 男性)使用PPG可穿戴设备监测夜间睡眠。其中9088例(4.84%)筛查为睡眠呼吸障碍高风险(平均年龄42.62 ± 9.27 岁，98% 男性)。184 970例人群使用PPG手环/表同时监测睡眠及心律，8837例筛查为睡眠呼吸障碍高风险。

8837例睡眠呼吸暂停高危患者发现疑似房颤患者共93例(房颤检出率1.05%)。随着睡眠呼吸暂停风险增加，房颤检出率逐渐增加(正常、低、中、高风险：0.37%、0.72%、0.95%和1.05%，P<0.001)。

与非房颤患者相比，房颤患者存在更高的睡眠呼吸暂停患病风险(4.76% vs 7.54%, P<0.001)。校正基线混杂因数后，多因素回归分析显示，睡眠呼吸暂停高风险组患者的房颤风险为正常组的5.36倍。医院多导睡眠监测临床确认的睡眠呼吸障碍综合征患者(n=460，平均年龄42.41±8.04岁，99%男性)敏感分析显示，睡眠呼吸障碍高危患者房颤检出率为1.09%，与上述结论一致。

人群筛查研究显示，较正常组，高风险睡眠呼吸障碍综合征患者超过5倍的房颤风险，亟需有效房颤早期干预。

预测房颤哪个更靠谱?这个研究给出答案

2021年8月27日欧洲心脏病学学会年会(ESC)e-Cardiology/Digital Health论坛，一项人工智能机器学习模型预测未来数小时内房颤发作的研究进行在线交流，这项研究由301医院mAFA项目心脏健康研究团队与华为运动健康团队合作开展，涉及医学、穿戴(硬件)、信号处理和AI算法(软件)等多个跨学科领域。

此项研究基于可穿戴设备光电容积脉搏波(photoplethysmograph， PPG)持续监测，人工智能模型预测心房颤动(房颤)发作风险。

2018年10月26日至2021年3月26日，共有2,120,210例佩戴华为智能手环、手表的用户参加了房颤筛查研究。基于PPG传感器的持续监测数据，使用监督机器学习技术(XGBoost， LightGBM)，建立2个机器学习模型(短程及长程模型， short-term model and long-term model)并优化，用于预测4、8小时内房颤发作的风险。

2018年10月至2021年3月期间，通过心脏健康研究中心律失常检测模型共筛查出6294例 (平均年龄, 51.6 ± 16.0 岁, 5439例男性) 房颤患者，心律失常模型共检测到142,518 次房颤事件(后台每10分钟启动一次检测)。检测到的107,864个房颤事件被用于验证房颤风险预测模型。在真实发生的房颤事件前预测时间段内共有443,630 条PPG/RRI监测数据，非预测时间段内共有563,309条非房颤PPG/RRI监测数据。

互联网小常识：网络系统的拓扑结构是否需要分为三层的经验数据是：如果节点数为250-5000采用三层网络结构，100-500可以不用设计用户接入层，而直接让用户通过汇聚层的路由器或交换机接入网络；5-250可以不用设计接入层和交换层网络。

机器学习模型预测未来4～8小时内房颤发作事件，在线上和线下的测试中均表现出良好的预测效能，房颤风险提前预测，有助于房颤上游管理。

据介绍，此次研究选择了PPG(光电容积脉搏波)数据作为训练数据主要来源。PPG数据可以在穿戴设备上实现周期自动采集，能够覆盖房颤发作前后的时间段，相比之下，ECG(心电图)数据等需要主动采集的方式容易错过预测房颤的时机。

如何降低房颤发作?可穿戴设备及人工智能技术这样降低房颤发作

2021年8月27日ESC大会人工智能及数字健康最新科学会议重磅论坛(Late Breaking Science in Artificial Intelligence & Digital Health)，301医院心脏健康研究团队代表mAFA II研究者做了可穿戴设备及人工智能技术上游房颤风险管理(Upstream risk factor management for patients with atrial fibrillation using wearable devices and artificial intelligence technology: A report from mAFA II trial)的大会视频发言，介绍了智能技术应用最新进展。

据悉，研究使用手环/表，基于光电容积脉搏波(PPG)技术人工智能房颤风险预警(AF risk prediction)，持续心律监测房颤筛查(AF identification )，及单导心电图主动测量房颤确认(AF confirmation)，结合移动技术支持的房颤整合管理路径B，更好的症状管理，进行房颤上游风险控制，评价房颤负荷的改变情况。

研究使用的PPG人工智能房颤风险预警机器学习模型于2019年2月1日至11月5日基于mAFA II房颤筛查(Huawei Heart Study)建立，优化，并与72小时动态心电图对比验证，模型预测未来4～8小时房颤发作风险准确率为89%，阳性预测率96%，阴性预测率83%。PPG持续心律监测在跟踪超过1年的人群(mAFA-II trial Long-term Extension Cohort)证实，超过90%持续监测发现的疑似房颤确诊为房颤。手环单导心电图判断窦性心律，房性早搏，室性早搏及房颤的四分类Macro F1 score为 95.8%。

自2019年1月22日-2021年6月6日，共有7357例(平均年龄45岁)使用mAFA的房颤患者配对可穿戴手环/表，使用PPG持续房颤筛查功能，2017例房颤患者(平均年龄47岁)使用人工智能房颤风险预警功能，1000例患者(平均年龄47岁)使用同时具备单导心电图功能的手环/表。

房颤患者启动mAFA后，人工智能模型自动预警未来4～8小时房颤风险，患者可进行自我症状评估，结合PPG房颤实时筛查，寻找可能影响房颤发作的生活行为方式因素，当被单导心电图确诊房颤后，房颤上游节律管理(Pill-in-the-Pocket)被推荐控制房颤发作。

互联网小常识：网络安全的基本要素主要包括：保密性、完整性、可用性、可鉴别性和不可否认性。

房颤负荷定义为疑似房颤次数/PPG监测总次数*%。

7357例房颤患者使用mAFA B症状管理功能进行自我管理，PPG持续监测房颤负荷逐渐减少，从第1月8.37%至第12月 6.10% (P<0.001)，平均心率控制在65次/分；1000例房颤患者同时单导心电图确诊的房颤负荷随时间减少(第1周 ,2周，3周，4周：2.31%，1.43%，1.21%，1.13%，1.11%，P<0.001)。人工智能房颤风险预警房颤发作风险从第1周69.6% 降低至第6个月58.83%(P<0.001)。

温馨提示：心脏健康研究由301医院发起基于HUAWEI Research创新研究平台和华为智能穿戴设备开展，检测数据和和筛查结果仅供您了解自身心脏健康情况，仅供参考，不作为诊断和治疗依据。

（责任编辑：孙宝光 实习编辑：刘予欣）