8 月底，欧洲心脏病学会 （European Society of Cardiology） 将举行年度大会，聚焦创新的心血管研究。心血管疾病是全球死亡的主要原因，占 2021 年所有死亡人数的 32%。心血管护理是不可接受的不平等;这些死亡中有四分之三以上发生在低收入和中等收入国家 （LMIC），少数种族和族裔受到心脏病的影响尤为严重。公平的研究和获得护理对于减轻全球负担至关重要。在本次大会上，数字健康技术是几场会议的重点，展示了它们在增强心血管护理方面的潜力。发表在《柳叶刀数字健康》上的四篇系列论文探讨了其中一些工具和方法，并重点讨论了设计、测试和实施此类技术的障碍。最令人兴奋和最严格的技术可以改变全球心血管疾病患者或有心血管疾病风险的人的健康结果？
心血管数字健康研究的一个重要领域是心脏成像。在第一篇系列论文中，Sengupta 及其同事讨论了 AI 方法如何在 CT、MRI 和心脏核成像的心脏成像中有多种应用，例如自动图像量化和分割、获取体积测量值，这些都可以提高心脏病专家的工作流程效率。它们还强调了该领域面临的重要挑战，包括数据稀缺和同质性，以及缺乏对工具和数据隐私的监管批准。他们强调，利益相关者之间的目标不一致是影响此类工具疗效并最终影响患者结果的关键问题。
尽管利益相关者需要实现一致的目标，但同样重要的是，这些利益相关者拥有不同的观点和专业知识，以帮助减少 AI 工具中的偏见。在他们的论文中，Mihan 及其同事讨论了观察到的性能偏差的心血管 AI 工具，并提出了减轻这些偏差的策略;包括如何通过包含与所有人口统计群体相关的变量来减轻变量选择偏差，这可能会导致研究中的关联归因于错误的变量。他们文章的一个主要建议是确保开发算法的研究团队由具有不同经验、技能和背景的不同个体组成。更进一步的是确保支持心脏病学研究的资助者的员工同样多样化。
随着过去 2 年大型语言模型 （LLM） 和生成式 AI 工具的兴起，它们在医学中的应用前景广阔。Quer 和 Topol 深入探讨了 LLM 如何增强心血管护理的可能性。他们的文章展示了 LLM（例如 OpenAI 的免费使用 ChatGPT 和 Google 的开源 BERT）如何通过协助完成重复和单调的任务（例如数据输入）、整理多模式患者数据（例如他们的电子健康记录和心电图数据）以及帮助制定个人治疗计划来释放临床医生的宝贵时间。这篇文章还强调了 LLM 如何直接使患者受益，他们使用聊天机器人询问有关其病情的问题并解释自己的数据，从而提高患者赋权。但是，LLM 存在众所周知的挑战，例如训练数据的质量和患者数据的去标识化。正如 Mihan 及其同事所强调的那样，研究人员必须确保训练队列构成的数据是多样化的，以确保它们不会延续社会偏见。
该系列展示了心血管护理领域数字创新的变革潜力。然而，确保这些进步使少数民族和低收入和中等收入国家受益仍然至关重要。当务之急是，这些群体的需求不能被忽视或轻视，因为这样做会扩大心血管护理的现有差距。贯穿所有文章的一个关键信息是，所有利益相关者（研究人员、临床医生和资助机构）之间有组织、透明的合作对于安全和有影响力的全球患者护理至关重要。
来源：柳叶刀
