6、基于深度学习的心脏病个性化决策支持概述

基于深度学习的心脏病个性化决策支持概述

1. 引言

心血管疾病仍是全球主要死因。据美国心脏协会2020年更新的数据，预计到2030年，心血管疾病导致的死亡人数将超过2220万。2017年，美国因心血管疾病死亡的主要原因包括冠心病（42.6%）、中风（17.0%）、高血压（10.5%）、心力衰竭（9.4%）和动脉疾病（2.9%）。

为及时诊断这些心脏病，常用的检查方法包括常规心电图（ECG）、动态心电图监测（一种可穿戴的便携式ECG设备，用于连续记录心律）、超声心动图、压力测试、心脏导管插入术（将短管插入腿部或手臂的静脉或动脉，通过X射线图像帮助医生检查问题）、心脏计算机断层扫描（CT）和心脏磁共振成像（MRI）。这些检查产生的心脏数据主要有两种格式：波形和图像。

随着技术的进步，每天常规收集的大量心脏数据给医疗系统带来了挑战：
- 图像解读耗时：根据一项基于1999 - 2010年超过150万次横断面成像研究的调查，普通放射科医生每天需每3 - 4秒解读一张CT或MRI图像才能满足工作负荷需求。
- 图像解读质量依赖经验：其质量很大程度上取决于放射科医生的经验和图像的复杂程度。
- 难以监测波形信号：由于数据输入的速度和数量，人眼几乎无法监测设备记录的波形信号。
- 难以做出个性化决策：虽然希望综合所有可用信息，让心脏病专家为特定患者做出明智的个性化决策，但实际上他们没有足够时间关注单个患者。

计算机化临床决策支持系统（CDSSs）自20世纪80年代以来就被开发出来，以协助临床医生进行复杂的决策过程。它们提供从诊断、疾病管理、警报系统、处方到药物控制、提供建议、提醒、警报、指南、报告生成、患者数据总结等多种功能。CDSS