编辑推荐：
本综述聚焦心力衰竭（HF）远程监测，指出现有手段灵敏度不足。介绍人工智能（AI）驱动的 HearO?系统，其通过智能手机应用采集语音，利用语音信号处理分析肺液含量变化以预警恶化事件，临床研究显示高灵敏度与依从性，为 HF 管理提供新方向。
心力衰竭（HF）是全球主要的住院和死亡原因之一，尤其在老年人群中高发，估计影响超过 6400 万人。心力衰竭住院占其整体医疗支出的最大部分，且与院内及出院后高发病率和死亡率相关。急性失代偿性心力衰竭患者出院后临床恶化、再住院和死亡风险增加，因此，检测和预防首次及复发性住院是心力衰竭患者管理的主要目标，但目前检测和预防需要住院和 / 或药物治疗的心力衰竭恶化事件仍是未满足的医疗需求，而人工智能（AI）正助力应对这一临床挑战，远程语音分析便是其中的典型应用。
心力衰竭远程监测现状
近年来，随着先进技术的普及，心力衰竭患者远程监测的应用显著扩展，但现有远程监测方法在检测心力衰竭恶化事件方面灵敏度不足，改善临床结局的效果难以证明。例如，每日体重变化预测心力衰竭恶化事件的灵敏度约为 10%-20%。在一项研究中，每日体重变化（1 天内 3 磅或 3 天内 5 磅）的灵敏度为 22.5%，假警报率（又称无法解释的检测率）为 4.3，意味着每年有 4.3 次警报与后续心力衰竭事件无关。因此，心力衰竭管理中迫切需要具有高准确性（即高灵敏度和低假警报率）的远程监测技术来检测心力衰竭事件，进而改善患者结局。
目前，专业心脏病学会缺乏关于慢性心力衰竭事件远程遥测监测使用的指南，这可能归因于该领域缺乏高质量研究。在 2023 年欧洲心脏病学会（ESC）急性和慢性心力衰竭管理指南更新中，几乎未提及远程监测；2022 年美国心脏协会、美国心脏病学会基金会和美国心力衰竭学会（AHA/ACCF/HFSA）的心力衰竭管理指南更新承认了远程监测在心力衰竭管理中的潜力，但发现该人群中使用远程监测的支持证据不足。
目前被视为心力衰竭门诊监测标准护理的方法（即监测患者症状、生命体征和每日体重）已被证明不足，很少能避免住院。尽管一些单中心和小型多中心观察性研究报告了这种方法的成功，但大型且有足够效力的随机对照试验（如 TELE-HF、TEN-HMS、BEATHF）始终未能证明其益处。例如，美国国立卫生研究院资助的多中心随机对照试验 “心力衰竭患者远程监测（TELE-HF）” 比较了远程监测与常规护理，结果显示远程监测并未改善结局。该远程监测通过基于电话的交互式语音响应系统收集每日症状和体重信息，由患者的临床医生审查，共纳入 1653 例患者，主要终点是入组后 180 天内任何原因的再住院或任何原因的死亡，次要终点包括心力衰竭住院、住院天数和住院次数，两组在主要终点、主要终点的各个组成部分或任何次要终点方面均无显著差异。
“过渡后更好疗效 - 心力衰竭（BEAT-HF）” 研究采用了比 TELE-HF 更全面和积极的远程管理策略，但同样无效。干预措施包括注册护士实施的三个组成部分：出院前心力衰竭教育、定期安排的电话指导，以及使用蓝牙设备在家远程监测体重、血压、心率和症状，设备自动将数据传输回中央服务器供电话呼叫中心研究护士进行远程监测审查，并提示这些护士按协议进行电话干预。在这项多中心随机对照试验中，共有 1437 例患者被随机分配到该干预组与常规护理组，尽管这种方法强度大，但干预并未显著降低出院后 180 天内任何原因的再住院率（主要终点）或 30 天再住院率、30 天和 180 天死亡率（次要终点）。
这些研究的失败表明，人们可能在测量心力衰竭临床状态的错误信号。已有大量讨论得出结论，准确评估血流动力学或肺充血（即心内或肺动脉压力或肺液含量的变化）可能是心力衰竭远程监测成功的先决条件。虽然植入式血流动力学监测器是一种已被证明可降低心力衰竭住院风险的方法，但其费用和有创性可能限制了其在广泛心力衰竭人群中的应用，因此需要非侵入性、直观且成本相对较低的远程监测系统来准确监测和治疗慢性心力衰竭患者，这类系统可能为许多患者提供替代植入式设备的选择，也可能在其他患者中作为植入式设备的补充。
用于心力衰竭非侵入性远程遥测的语音处理
语音处理技术已广泛应用，如个人助理（Siri、Alexa、Cortana）、将患者病史和体格检查口述到医疗记录中的系统，以及将语音作为唯一身份验证的手段等。因此，此类技术应用于临床医学并不奇怪，语音的变化可能反映情绪、疼痛程度或疾病状态的生理生物标志物。由于肺是语音的能量发生器，预计肺内液体潴留会对发声和呼吸产生可测量的影响，从而提供心力衰竭临床状态的生物标志物，这种发声和呼吸的变化在出现急性失代偿性心力衰竭的患者床边即可听到，这一临床观察在一定程度上促使了 HearO?系统（Cordio Medical，以色列 Or Yehuda）的开发，该系统利用语音处理技术对心力衰竭患者进行远程监测。
HearO?由可在 iOS 或 Android 操作系统上运行的智能手机应用程序（App）和基于云的语音处理系统组成，用于分析肺液含量的变化。患者每天被提示用母语向智能手机应用程序说出六个指定短语，由于患者自身作为对照，该系统的性能与语言无关。HearO 应用程序易于使用且易于访问，除智能手机外无需传感器或硬件，因此在迄今为止进行的研究中显示出高水平的诊断性能和患者依从性。
HearO 检测引擎的开发是基于一系列临床研究分阶段进行的。首先，模型开发旨在对 “湿” 或失代偿（充血）状态与 “干” 或代偿（去充血）状态进行分类或区分。在接受利尿剂治疗从 “湿” 到 “干” 的急性失代偿性心力衰竭患者中，基于对疾病过程的生理洞察，对增强的语音特征进行分析，并利用语音处理算法确定与液体临床状态相关的语音信号特性（如音高和声道动态），以将语音测量（SM）分类为代偿或失代偿状态。40 例住院急性失代偿性心力衰竭患者在入院（“湿” 状态）和出院（“干” 状态）时各记录了六个句子，两种临床状态之间的语音测量存在显著差异，表明语音测量可以对反映肺液含量差异的声音改变进行分类。
其次，一项针对接受血液透析的心力衰竭患者的研究，在稳定（透析后；“干”）状态下创建患者语音模型，基于语音信号特性计算透析前后语音测量的差异，基于计算独特且显著差异的算法识别检测器，并针对异常值和统计噪声进行调整。5 例接受血液透析的心力衰竭患者在 26 个透析治疗周期中平均提供了 94 次录音，尽管研究的患者数量较少，但实现了上述研究目标。
第三，在一项正在进行的门诊心力衰竭患者研究中，利用传统统计方法（如统计决策点分析）和基于转换器的深度神经网络来优化心力衰竭事件检测的灵敏度和特异性，从而改善了心力衰竭事件检测。心力衰竭事件定义为至少一种与心力衰竭相关的恶化症状，导致计划外的≥24 小时心力衰竭相关住院 / 观察入院或计划外的心力衰竭相关门诊就诊，需要静脉注射利尿剂治疗。这些事件检测的改进基于收集的超过 600,000 次录音，即每位患者平均 > 500 个录音日。该研究的初步观察表明，HearO 具有高灵敏度和低无法解释的通知率，与每日体重变化测量相比更为优越（灵敏度分别约为 80% 和 35%）。此外，HearO 平均在事件发生前约 3 周检测到心力衰竭事件，这表明有充足的时间窗口将 HearO 警报与患者的全部可用信息结合，用于患者管理。正在进行的（ClinicalTrials.gov 标识符：NCT03438799 和 NCT06378632）和未来的研究将继续明确 HearO 在心力衰竭患者远程监测中的应用。
