《Bioengineering》：Use of Bioimpedance Monitoring and Artificial Intelligence in Heart Failure: A Scoping Review
编辑推荐：
心力衰竭（Heart Failure, HF）常伴随充血和体液积聚，这些是导致失代偿和住院的关键驱动因素。生物电阻抗可穿戴传感器（Bioimpedance wearable sensors, BI）与人工智能（Artificial Intelligence,
心力衰竭（Heart Failure, HF）常伴随充血和体液积聚，这些是导致失代偿和住院的关键驱动因素。生物电阻抗可穿戴传感器（Bioimpedance wearable sensors, BI）与人工智能（Artificial Intelligence, AI）及临床决策支持系统（Clinical Decision-Support Systems, CDSS）相结合，为将HF容量状态评估从传统临床监测推进至更早的风险检测和个性化决策支持提供了新兴机遇。本范围综述系统梳理了这些整合方法的现有证据。遵循PRISMA-ScR指南，研究人员在Scopus、IEEE Xplore、PubMed和Embase中进行了系统性检索，最终检索于2026年8月2日完成。共纳入10项研究，其中6项应用了AI技术，2项整合了CDSS，2项同时包含AI和CDSS。BI测量采用异质性方法获取，包括植入式设备、可穿戴设备及其他非侵入性系统，涵盖胸腔内阻抗（Intrathoracic Impedance, ITH）、胸部生物电阻抗（Thoracic BI, TH）或全身生物电阻抗分析（Bioelectrical Impedance Analysis, BIA）。AI应用聚焦于HF失代偿、体液积聚、胸腔积液以及住院或再入院风险，而CDSS主要提供风险信息、警报或结构化临床决策支持。总体而言，BI传感器与AI或CDSS的整合代表了一种快速发展的变革性HF容量状态管理方法，有望实现更早干预和更个体化的临床决策。
论文主体内容总结
1. 引言
心力衰竭（Heart Failure, HF）常伴随容量状态紊乱，包括充血、液体潴留和容量超负荷，可表现为外周水肿、肺充血、胸腔积液等形式，并与HF失代偿和住院密切相关。生物电阻抗（Bioimpedance, BI）通过测量生物组织的电学特性，可用于评估体内水分分布及胸腔或全身液体状态的变化。根据测量配置的不同，BI可通过可穿戴设备或表面电极非侵入性获取，也可通过植入式心脏设备测量胸腔内阻抗（Intrathoracic Impedance, ITH）。人工智能（Artificial Intelligence, AI）包括机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL），能够识别异质性和纵向临床数据中的复杂关系，适用于分类、预测、回归和风险分层等任务。BI信号可作为AI模型的输入，单独或与其他生理和临床变量结合使用，已被探索用于肺液积聚检测、急性失代偿预测、胸腔积液估计及HF再入院预测等目的。同时，BI信息也被整合入决策支持方法中，从概率性HF住院风险分层到阻抗触发的临床管理算法。然而，BI测量可能受测量配置、电极放置、生理条件和监测情境的影响，其临床效用尚未完全确立，可穿戴应用中的技术可靠性也是重要挑战。临床决策支持系统（Clinical Decision-Support Systems, CDSS）可提供患者特异性风险信息、警报、提醒或建议行动，以协助医疗专业人员进行评估和管理决策。
2. 材料与方法
本范围综述遵循PRISMA-ScR指南开展。纳入标准包括：英文发表的研究；2006年1月至2026年8月间发表的研究；涉及人类受试者或人类相关数据的研究；原创研究；以及使用BI数据结合AI技术和/或CDSS评估、监测、预测、管理或研究HF相关容量状态的研究。检索策略在Scopus、IEEE Xplore、PubMed和Embase四个数据库中进行，最终检索于2026年8月2日执行，检索式为：（“artificial intelligence” OR “machine learning” OR “deep learning” OR “neural network” OR “decision support” OR “expert system” OR “intelligent system” OR “fuzzy logic” OR “Bayesian network”）AND（bioimpedance OR impedance）AND（“heart failure”）。筛选过程中，两名评审员独立评估检索来源的合格性，标题和摘要筛选阶段的Cohen's κ系数为0.77，表明评审员间一致性为实质性。四库检索共获得245条记录，去除87条重复记录后，158条唯一记录进入筛选。根据预定标准排除81条非原创文献，77条原创研究记录经标题和摘要评估后，61条被排除，16条进入全文评估。全文评估阶段排除6条，最终纳入10项研究。
3. 结果
3.1 地理分布与发表趋势
10项纳入研究发表于2008年至2026年间，其中6项（60%）发表于2023年及以后。研究地点在6项研究（60%）中明确报告：2项在德国开展，1项使用德国和西班牙六个临床中心的数据，1项在美国，1项在日本，1项在印度；其余4项（40%）未明确说明研究地点。
3.2 HF相关容量状态的临床视角
纳入研究的样本量、年龄和性别报告方式存在差异。年龄在3项研究中以总体均值和标准差报告，3项研究按亚组报告，2项未报告年龄。性别分布在6项研究中定量报告，其中3项按临床或分析亚组分层报告，2项在总体队列层面报告，1项以绝对计数报告。主要研究条件方面，5项研究（50%）关注HF失代偿或急性失代偿性HF，2项研究（20%）关注充血性或慢性HF的充血或液体状态监测，2项研究（20%）主要针对胸腔积液和胸腔液体积聚等特定液体状态表现，1项研究（10%）关注HF出院后情境及再入院事件。所有10项研究均涉及至少一个拟预防的不良临床结局，住院或再入院在所有10项研究（100%）中被确认为相关不良结局，7项研究（70%）涉及HF失代偿或液体相关临床恶化，3项研究（30%）涉及死亡率。
3.3 HF相关容量状态评估与管理中的AI和CDSS
10项纳入研究中，8项（80%）实施了AI方法，4项（40%）包含CDSS或结构化临床决策支持组件，其中2项（20%）同时包含AI和CDSS。在8项实施AI的研究中，二元分类是最常见的任务（62.5%），回归在2项研究中使用，多分类、概率性风险分层和结局预测也各有代表。AI方法在方法学上具有异质性：4项研究（50%）采用神经网络方法，包括预训练DenseNet121和VGG19架构、径向基和 multilayer perceptron 神经网络、图神经网络及1D-CNN和LSTM架构；2项研究使用SVM分类器；其余方法包括Fisher判别分类器结合遗传算法特征选择、LightGBM和贝叶斯信念网络。验证策略方面，5项研究（62.5%）使用了某种形式的交叉验证，包括留一法、留一受试者法、5折、4折和分层10折交叉验证；1项研究使用独立的训练、验证和测试集；1项研究使用相同源数据集进行开发和评估；1项研究的验证程序未明确说明。总体而言，验证以内部分主，没有研究明确报告在独立外部队列中进行外部验证。性能报告具有异质性：准确率在4项研究中报告，敏感性和特异性各在4项研究中报告，AUC相关指标在3项研究中报告。AI模型主要依赖生理和生物电阻抗数据，所有8项AI研究均使用了来自监测或测量设备的数据，包括植入式设备诊断、经胸或胸腔内生物电阻抗、ECG和心率变异性信号、全身BIA测量及可穿戴多频生物电阻抗数据。4项研究纳入CDSS组件，其中3项被分类为自动化Level 1，提供信息或建议以支持临床解释，1项因包含自动警报被分类为Level 2，没有系统达到Level 3至5。
3.4 HF相关容量状态评估与管理中的BI测量与传感平台
所有10项研究均使用了生物电阻抗，但测量配置和解剖位置差异显著。胸腔内或内部胸腔阻抗测量在5项研究（50%）中报告，胸部或经胸生物电阻抗也在5项研究（50%）中使用，1项研究使用全身BIA/BIVA评估身体水分 compartments。植入式方法通过心脏设备配置测量阻抗，包括右心室除颤线圈与植入式CRT-D发生器之间、心内电极与植入设备之间、以及右心室导线与设备罐之间的测量路径。非植入方法中，4项研究明确报告了电极数量：3项研究使用四电极配置，1项研究使用10电极胸腔带。4项研究明确报告了电测量频率：1项研究在10至999 kHz范围内进行16频率经胸测量，1项研究在2.5至350 kHz范围内测量33个频率的电阻和电抗，1项研究在25、50、75、100、125和150 kHz频率下采集胸腔BI测量，1项研究使用50 kHz单频全身BIA测量。传感平台方面，5项研究（50%）依赖植入式侵入性胸腔内阻抗测量，5项研究（50%）使用非侵入性采集系统，其中3项为可穿戴系统（胸腔背心和模块化胸腔带），2项为非侵入性非可穿戴配置（板载电极和全身BIA配置）。
3.5 患者主动参与
7项研究（70%）涉及患者主动参与数据收集，参与性质因监测策略而异，包括识别声学设备警报并联系诊所、每日进行生理测量、在标准化记录期间穿戴经胸BI背心、定期使用可穿戴背心、以及接受重复或方案定义的BI测量。3项研究（30%）不需要主动参与，这些研究依赖植入设备自动收集和传输的诊断信息，或回顾性分析常规收集的设备及远程监测数据。
4. 讨论
4.1 BI在HF应用中的作用
BI在纳入的HF应用中提供了与液体状态相关的生理信息，但具体测量及其在分析模型中的角色差异显著。胸腔和胸腔内BI配置占主导地位，而全身BIA仅由一项研究代表。电极特性和放置位置在不同非侵入性系统间也存在差异，包括可穿戴胸腔背心中的干电极、纺织电极、测量板上的一次性ECG电极，以及包含可滑动电极模块的模块化可穿戴带。电极放置或阻抗测量路径在8项研究（80%）中报告，包括腹部放置、双侧腋窝放置、右手到脚全身BIA配置、覆盖前胸、后背和侧胸区域的胸腔带，以及心内导线到设备配置。测量配置、操作频率和采集方案的显著变异性可能影响BI测量的可比性，对AI模型跨设备、跨人群和跨临床环境的开发与泛化构成重要挑战。
4.2 可穿戴BI采集
报告可穿戴系统的3项研究具有独特特征：均为2020年及以后发表的最新贡献，全部实施了AI方法并报告了所用电极数量，其中2项还报告了测量频率。这些研究在综述中评估的队列规模最小（8至60名参与者），而最大的数据集均来自植入式设备。可穿戴研究中没有包含决策支持组件，该组件仅存在于植入式设备研究和1项非可穿戴非侵入性系统中。
4.3 AI在HF研究中的应用
在8项实施AI的研究中，二元分类是最常见的分析任务，回归、多分类、概率性风险分层和结局预测也各有代表。模型类型高度异质，包括神经网络架构、SVM、贝叶斯信念网络、LightGBM、结合遗传算法特征选择的Fisher判别分类器及基于图的方法。没有单一建模方法明显占优或更优。验证策略差异显著，交叉验证最为常用，但具体程序不同。所有研究均未明确报告在独立外部队列中的外部验证，内部验证占主导地位是临床转化的重要局限。性能报告具有异质性，准确率、敏感性和特异性是最常报告的分类指标，AUC相关指标的报告不够一致。这种变异性限制了对模型性能的跨研究直接比较。
4.4 数据来源与临床整合
AI研究主要依赖来自监测或测量设备的生理和BI衍生信息，包括胸腔内或经胸阻抗、植入式设备诊断、ECG和心率变异性信号、全身BIA及可穿戴多频BI测量。少数研究纳入了额外的临床、人口统计学、实验室或影像信息。设备衍生生理数据的主导地位与纳入应用的监测导向性质一致，但也凸显了临床实施中的挑战，包括设备、采集程序、数据格式和测量环境差异可能影响互操作性和模型跨环境迁移。
4.5 HF相关容量状态管理的CDSS方法
仅4项纳入研究包含CDSS或结构化决策支持组件。3项被分类为自动化Level 1，提供信息或建议以支持临床解释，1项因包含自动警报被分类为Level 2。没有系统达到Level 3至5，表明该领域的BI决策支持仍侧重于告知或提醒临床医生，而非自动提出或实施治疗行动。各CDSS的临床目的、干预类型、数据来源、预期用户和自动化程度各不相同，包括基于阻抗触发的分级临床管理算法、贝叶斯信念网络概率风险评分、基于机器学习的胸腔积液估计网络系统，以及整合多种设备衍生变量的综合风险指标。
4.6 临床影响
纳入研究表明，BI与AI或CDSS的结合可支持多项临床相关功能，包括液体积聚检测、HF失代偿识别、胸腔液体估计及住院或再入院风险分层。然而，直接临床获益的证据仍然有限，大多数研究评估的是诊断、分类、估计或预测性能，而非使用所提出技术是否减少了HF住院、再入院、死亡率或其他不良结局。预测性能与临床有效性之间的区分对未来研究尤为重要。
4.7 研究空白与当前挑战
纳入研究报告的局限性反映了若干反复出现的方法学问题，特别是样本量有限、泛化性受限和验证不完整。主要挑战包括：BI采集的高度异质性，包括测量方式、电极配置、解剖位置、操作频率和监测策略的差异；AI证据主要基于内部验证，缺乏明确报告的独立外部验证；临床整合评估不足，纳入研究主要聚焦于测量、检测、分类、风险估计或监测性能，而关于整合入常规临床工作流程及其对临床决策或患者结局后续影响的研究证据有限。
5. 结论
生物电阻抗与人工智能和/或临床决策支持系统的结合使用在HF相关容量状态评估中代表了一个新兴但仍有限且异质的证据基础。研究探索了多种BI方式，包括植入式胸腔内阻抗、非侵入性胸部BI和全身生物电阻抗分析，应用范围从液体状态评估和HF失代偿检测到风险分层及住院或再入院预测。AI方法比CDSS更常见，已识别的决策支持系统在相对较低的自动化水平运行，主要提供信息、建议或警报而非自动治疗行动。AI模型在分析任务、架构、性能指标和验证策略方面也表现出显著异质性。重要的是，没有AI研究明确报告在独立队列中的外部验证，凸显了模型开发与临床就绪之间的重大差距。尽管证明了BI信息与AI或CDSS整合的可行性和潜在临床效用，当前证据仍不足以确立对患者结局的影响。该领域的下一步不仅是开发更复杂的模型，而是证明它们能改善临床决策和患者结局。
