2022才過去三分之一，就發生了許多令人悲痛的事情。新年剛過，當我們還沉浸在春節假期裡，遊蕩在各種飯局中，負責嗶哩嗶哩圖文稽核的25歲員工在連續加班5天后猝死，將所有人拉回了社畜的現實。
同月，位元組跳動一名28歲的工程師在健身房鍛鍊，突發不適，在送至醫院搶救無效後離世。冬奧落下帷幕之後，疫情又開始復發，許多城市開始了一遍遍的靜態管理。一些因為疫情管控的病患來不及診治，消亡在了搶救的路途中。
疫情防控基層一線的工作人員中，因為繁重的工作和壓力，有大白、社群工作人員、保安等人員因為過勞而猝死。這些年輕鮮活的生命戛然而止，給親屬帶來巨大的悲痛，也給仍然在奮鬥的社畜敲響了警鐘。猝死跟年齡無關，離高壓下的社畜並不遠。
資料統計，80%以上的猝死都屬於“心源性猝死”，也就是因為心臟原因如心力衰竭或心律失常等引起。中國心源性猝死的發生率41.84例/ 10萬人，每年心源性猝死的總人數高達 54.4萬，中國也是全世界發生心源性猝死人數最多的國家。
每年幾乎一個縣的人數因為心源性疾病猝死，這麼龐大的數量，亟需醫療系統開發個性化的心率猝死風險的評估工具，以挽救生命，並減輕巨大的公共衛生負擔。近日，約翰霍普金斯大學研究人員領導的團隊，開發了一種基於AI的預測工具，可以預測患者是否以及何時可能死於心臟驟停。
需求與效率交接
常規的AI技術應用，在心血管篩查、診療、AI醫學影像上緊密聯絡，AI在這其中有巨大發揮的空間。
如果去醫院看病的話，你會發現心血管科室絕對是最忙碌的科室之一。在全民高壓高節奏的生活方式下，越來越多的人有各種心臟方面的不適。
根據美國心臟協會的研究，25%左右的冠心病患者平常與健康人無異，一旦發病，在黃金的搶救時間內來不及的話，首次發病直接猝死的機率非常大，他們甚至連發現和治療的機會都沒有。被媒體報道出的猝死只是少數，更多的猝死正在發生。
大量普通人主動的體檢篩查和患者更好的治療需求，使得心血管醫學影像識別的重要性急劇提升，AI新技術的引入尤為重要。
用AI看片子，將心血管影像識別的步驟時間壓縮，效率會極大地提升。傳統的醫療體系方式中心血管影像的診斷，分為影象掃描、影象後處理、撰寫報告、報告稽核四個步驟，單個病例在影像環節需要花費最低半個小時。國內AI醫療公司開發的心血管AI影像識別產品，將時間縮短在5分鐘左右，比傳統的識別效率提升了6倍以上。
不同的醫生在影像識別的能力不同，在“充實”的門診活動中，過勞也是經驗豐富的醫生的日常，疲勞造成的準確率波動，對AI影像來說不存在，越多的資料也就意味著更加準確的診療。AI勞模並不會疲憊，隨著合作醫院的增多，資料不斷豐富、演算法不斷最佳化，心血管AI影像識別系統在持續地學習中，準確率也在不斷提升。
我們會發現，市面上AI在心血管中的診療工具集中在影像功能上，換句話說，AI目前能夠做到的診療也僅限於有意識體檢的人群和心血管病患。這些有心源性病理顯示的病患，比普通人更高機率觸發猝死，但這種情形什麼時候發生是懸在頭頂的未知數。
預測微妙的風險關頭
對於人們來說，心源性猝死最大的威脅就是發病時間無法預料。而約翰霍普金斯大學的研究團隊可以利用開發的AI新技術，改變臨床決策並提高突發性和致命性心律失常的存活率。最新的相關研究發表在近日的《自然心血管研究》上。
雖然心源性的心臟病都有觸發猝死的可能，但有些患者的風險比較低，可能不需要使用體外除顫器（AED），而有些高風險患者如果沒有及時治療，可能會錯過他們黃金的挽救時期死亡。而這個AI演算法可以做的是，確定誰有心臟猝死的風險，以及何時發生，進而讓醫生準確地決定需要做什麼。
研究人員為這種基於深度學習技術的工具起了個名字，稱其為心律失常風險生存研究。據悉，這也是首個使用神經網路為每位心臟病患者建立個性化生存評估的工具，它能夠測量10 年內心源性猝死的機率，以及最有可能發生的時間。
研究團隊首先使用對比度增強的心臟磁共振影象，來視覺化約翰霍普金斯醫院 156 名心臟磁心肌病真實患者的瘢痕分佈，訓練了一種檢測瘢痕的模式和關係的演算法。同時還使用了臨床患者十年的資料訓練了第二個神經網路，患者資料包括年齡、體重、種族和處方藥使用等 22 個因素。然後使用深度神經網路直接從 CMR 影象和臨床因素中學習這些引數，從而對生存資料進行最佳建模，預測個性化的生存機率，得到患者的個體特異生存曲線。
在實際的預測驗證中，這個AI工具的準確率的表現也十分優異。來自美國 60 個醫療中心的獨立患者的測試結果表明，演算法的預測比醫生準確很多。這個結果也意味著該系統未來可以被廣泛普及應用。
在歐美人群中，心源性猝死的機率和中國差不太多，每 100,000 人中的發病率為 50-100 人，佔所有死亡人數的 15-20%。高達20%的佔比是一個不能忽視的重大隱患。而能夠預測心源性猝死的機率與可能發作的時間的AI工具，對於病患以及健康診療的公共衛生來說意義重大。
懸在病患頭上的未知有了可以參考的風險機率，對於病患和醫生來說，極大提高了病患存活的機率。這個AI工具目前正在進行更多的測試和稽核，以備未來更快進入臨床的應用。
從重視徵兆開始
這類較為準確預測心血管疾病的AI工具，國內目前沒有相關的研究披露。在心血管醫學領域，國內AI的介入主要還是影像識別、手術規劃、疾病的管理等領域。AI心血管影像識別的應用發展較為緩慢，目前剛剛進入了臨床試用的階段。
相較於肺部影像來說，心血管醫學影像識別的技術更加困難，並沒有其他AI影像扎堆研發的熱潮，高門檻的技術難點也讓不少企業望而卻步。其他的影像掃描影象基本是相對靜止的狀態，影象更容易合成與分析，而不斷跳動的心臟，以及冠脈極端複雜的網狀結構，影象的合成和三維重建十分困難。再加上心臟病症的種類豐富，包括冠心病、主動脈夾層、動脈炎等，都給AI的診斷與預測提出了巨大的難題。AI在心血管領域開疆擴土的發展空間還有很大的生長空間和商業價值。
AI心血管醫學領域市場需求龐大、技術價值明顯。這個難跨越道路的走通，對於其他醫學領域的研究來說，也會蘊含巨大的價值。最難的研究做通了，相對簡單的領域一些工具和模型的適配與研究也會更加容易突破。
面對猝死，除了依賴AI技術，積極地體檢外，我們還能夠做些什麼？
學習下心源性猝死的徵兆也是個求生的技能。最明顯的徵兆是不明原因的暈厥，這是身體發出的警告，請一定要重視；第二個是我們大多數比較熟悉的胸悶、心悸、呼吸困難、心痛等，嚴重的還有虛汗淋漓、面色灰白、煩躁不安等，這都是十分明顯並且不容忽略的徵兆，可能會觸發心肌梗死；第三個是莫名的疲勞，是那種反常且不能恢復原本精力的疲勞，胸悶氣短，幹什麼都累。
這些徵兆的發生，請一定不要忽視，先快步走進醫院再說。再緊急的工作，沒有心臟的呼聲緊急，再大的單子，也比不上自己的生命珍貴。所有先進的AI技術都是有診治的先決條件，文中可以預測心梗猝死機率的AI系統，前提是你得活著確診是心源性疾病，才能有機會應用。
在疫情反覆的當下，亂七八糟的低壓情緒交織，許多人都有必須要面對的課題，低壓的情緒與高壓的生存壓力碰撞，崩塌不知道在哪個瞬間。身體有時候比大腦要警覺得多，在發出各種訊號的時候，請豎起天線積極接收訊號。在前沿AI技術介入診療前，活著才是一切美好和機遇發生的前提。