院外心搏骤停（out-of-hospital cardiac arrest, OHCA）是指各种原因导致的心脏突然停止搏动，进而引起血液循环中断，是心脏疾病导致死亡的主要原因之一^[1]。美国每年约有超过34.7万成人发生OHCA；我国OHCA发病率约为97.1/10万，预估每年发病超过103万人^[2-3]。心脏协会指南强调OHCA救治方法包括启动应急反应系统（emergency medical services, EMS）、高质量心肺复苏（cardiopulmonary resuscitation, CPR）、自动体外除颤器（automated external defibrillator, AED）的使用和院前医疗急救等。虽院前急救技术在不断改善，但OHCA患者的存活率仍不足10%。研究表明^[4]，仅有不到40%的OHCA患者能够在EMS启动之前接受到非专业人员的CPR救治，而能够接受AED进行救治的OHCA患者不足12%。OHCA传统院前急救面临诸多挑战和限制，如现场发现和报警延迟、救护车交通阻塞、医疗资源分布不均、现场诊断和治疗不准确等^[5]。因此，需更加先进的技术来解决OHCA救治的限制和挑战。人工智能（Artificial Intelligence, AI）技术是一种模仿人类智能的计算机系统或程序，它可以通过机器学习等方法从大量数据中学习和推理，从而实现感知、理解、决策和执行等功能^[6]。近年来，AI技术在OHCA救治方面也取得了一些突破性的进展和成果。基于AI的OHCA实时监测和报警设备，可以提升院前医疗急救的效率和准确性，缩短救治时间，提高患者的生存率和预后质量^[7]。利用AI辅助的OHCA现场诊断、远程CPR指导、无人机投送AED等措施，使OHCA救治过程更加高效、便捷和精准，有效缓解OHCA院前急救期的空白^[8-9]。因此，本文旨在探讨AI在OHCA救治决策支持中的应用现状、前景和挑战，以期为我国OHCA救治提供新的思路和方法，推动AI技术在急救医疗领域的发展和应用，有效改善OHCA患者的生存率和预后质量。

1 传统OHCA救治的不足 1.1 OHCA识别欠佳，应急响应滞后

OHCA患者的救治需要快速响应，早期进行CPR和使用AED除颤是救治OHCA患者的关键因素。研究表明，在3~5 min内启动CPR和使用AED可将OHCA患者的存活率提高到50%~70%^[10]。现阶段多数国家OHCA救治多由EMS人员开展，但不同国家EMS响应时间尚有差异，大部分均超过“4~6 min”的黄金救治时间，中国大部分地区甚至超过16 min^[11-13]。此外，传统的OHCA应急救治依赖于医疗优先调度系统（medical priority dispatch system, MPDS），但研究表明MPDS识别OHCA的敏感度仅为20.2%^[14]。目前国内急救人员对于OHCA事件的识别率仅为20.2%~57.8%。另外，由于旁观者的专业知识和经验不足、语言沟通及时间等因素限制，传统的OHCA识别方法常存在误诊、漏诊、延迟诊断等问题，这也在一定程度上影响了OHCA患者的救治效果^[15]。因此，传统急救方式存在OHCA识别欠佳，应急响应滞后等问题，将AI、大数据、信息化建设等应用在院前急救中是提升院前急救响应和优化急救手段的重要途径和措施，也是响应国家信息化建设和应用的重要体现。

1.2 AED使用率低，CPR效果不佳

旁观者实施高质量的CPR和AED是提高OHCA患者存活率的有效措施。研究表明，与未接受旁观者CPR的患者相比，接受旁观者CPR可使患者30 d生存率由4%提升到10.5%^[16]。旁观者使用AED可使患者30d神经功能良好预后比例由18.2%提升至38.5%^[17]。但我国旁观者心肺复苏的实施率仅为4.5%，与发达国家（美国37%、丹麦65%）相比仍存在较大差距^[18]。公众启动除颤（public access to defibrillation，PAD）可有效提高OHCA患者的存活率，但PAD实施受到施救者急救知识储备、心理状况等主观因素影响。AHA指出，对施救者进行CPR-D的培训是提高OHCA患者存活率的关键方法^[19]。研究表明，合理配置AED和进行CPR-D培训，可使OHCA抢救成功率提高72%^[20]。但我国的CPR培训普及率仅为1%，远低于发达国家（法国40%、德国80%），而且我国PAD的布局处在初级准备阶段，OHCA急救相关基础设施建设不足，远低于发达国家及地区AED投放密度（丹麦42台万人，美国31台/万人），且院外AED的使用率不足5%^[18]。

2 基于AI的OHCA救治与决策应用现状 2.1 AI辅助OHCA应急响应 2.1.1 预警监测

OHCA的突发性常导致多数患者因错失最佳抢救时间而死亡，因此，OHCA风险实时预警监测至关重要。Schober等^[7]基于AI开发的智能可穿戴设备可通过传感信号分析动脉血流等指标，实现OHCA的自动检测和紧急呼救，其敏感度和特异性分别达到90%和95%，可显著提高OHCA患者发病的早期识别效率。此外，Chowdhury等^[21]利用卷积神经网络构建的便携式可穿戴心电系统能实时检测心脏病发作，当检测到患者发病时即刻将位置信息发送至紧急联系人，便于医疗团队及时救治，有效缩短院前急救时间。另外，Chan等^[22]利用支持向量机建立的智能设备可以在房间内通过监测呼吸声判断是否发生OHCA，并及时向EMS进行报警，其敏感度和特异度达到97.24%和99.51%，有效解决了家庭内发生OHCA而缺少施救者导致呼叫延迟的问题。综上所述，融入AI技术能够快速准确监测OHCA患者病情，实现快速呼叫并响应应急系统，使医务人员快速了解患者的情况，为其提供及时的救治，从而提高患者存活率。

2.1.2 识别诊断

AHA指南提出OHCA生存链的第一环节是启动应急系统，其关键是及时识别OHCA，而旁观者常因不敢救、不会救等因素导致OHCA救治和识别延迟。因此，Rafi等^[23]利用机器学习模型对820例符合OHCA标准的急救电话进行分析，表明随机森林模型可以根据呼叫者的声音特征识别OHCA，其AUC值达到74.9%。相比之下，Byrsell等^[24]使用AI与调度员对851例OHCA呼叫语音的识别进行比较，研究结果显示，AI和调度员在1min内的识别率分别为86%和84%，识别中位时间分别为72 s和94 s。综上所述，AI技术可有效提高OHCA患者呼叫过程中的识别率和响应时间，但以上研究样本量较少，仍需大型数据集中对其有效性和安全性进行验证。此外，Darginavicius等^[25]设计开发的AI监控系统可在公共场所因患者倒地判断其发生OHCA后，及时向EMS人员发送救援信息，为患者提供救助，其识别率达到95%。利用AI结合监控系统识别OHCA发病情况能有效解决OHCA在公共场所识别不足和优化急救指导的有效途径。由此可见，基于AI对OHCA患者进行实时预警监测和识别诊断是提高OHCA应急响应效率的新方法和新途径，有望解决响应缓慢、识别不准确的窘境，从而改善OHCA患者的存活率和预后。

2.2 AI辅助高质量CPR

CPR是OHCA患者治疗初期的关键技术，高质量CPR是生存链中的关键环节，相较于传统心肺复苏（conventional cardiopulmonary resuscitation, CCPR），利用AI辅助优化CPR救治手段可以有效提高施救者的实施率。Otero-Agra等^[8]开发了一种交互式人工智能应用程序，该研究对21名从未接受过CPR培训的大学生进行现场指导，结果显示91%的参与者能实施正确的CPR。同时，将AI与摄像机结合远程指导旁观者进行CPR也是一种新方法，该方法通过网络将摄像机与EMS调度中心进行连接，可及时识别CPR阶段，减少应急反应时间，增加患者的抢救成功率^[26]。此外，随着科技进步与发展，以机械代替人力实施CPR的智能化设备被用于灾难现场急救和院前急救，并逐渐发展成熟，如Weil危重医学研究院研制的Weil SCC智能化心肺复苏设备可以在进行CPR时自动评估有效按压深度，并进行实时数据反馈及分析，相较于CCPR，利用Neil SCC可以将OHCA患者的自主循环恢复时间缩短一半^[27]。但由于设备价格昂贵导致普及率较低。所以，我国应加强智能CPR设备的自主研发能力，尚需研制出自主化、价格合理、功能成熟的CPR设备。

2.3 AI辅助AED除颤

AED心电（electrocardiograph，ECG）信号分为可电击复律心律、不可电击复律心律和中间心律，AED需要自动分析患者的ECG，从而决定是否需要进行电击除颤，误除颤或漏除颤均会影响患者预后。此外，CPR期间会令ECG产生伪影，所以当前的AED需停止CPR以执行可靠的ECG分析并做出电击/非电击决定^[28]。研究显示，在停止按压期间，心肌和脑血流的缺乏显著影响患者生存^[29]。因此，过滤CPR期间ECG伪影有望提高OHCA患者生存率。Cout等^[30]建立的ECG识别器，可自动识别OHCA患者的心律失常类型，并根据不同类型给出相应的复苏指导。Isasi等^[29]从OHCA病例中获得596个可电击和1 697个不可电击ECG段，并利用四种机器学习方法建立AED决策辅助器，结果表明所有辅助器的敏感度和特异度均在95%以上，超过了AHA推荐的90%敏感度和95%特异度最低值。Nasimi等^[31]利用深度学习技术构建的ECG识别器可在0.84 s内识别可电击心率，其敏感度值为96.13%，特异度值为99.64%，远超AHA的要求。

另外，基于5G网络建设的AED智能化应急响应系统可在发生OHCA时实现医院、现场群众等多方协作。如Müller等^[32]提出医疗专家可基于5G网络，利用智能通信设备对施救者进行远程AED指导，可有效提高急救质量和效率，降低救援等待时间。Ferchichi等^[33]设计的ECG检测器，能够通过网络实时接收患者生命体征信息，自动分析其是否适合进行电击，降低人为误操作风险，有效提高抢救成功率。此外，利用无人机进行AED的调度也是目前OHCA院前急救的创新之处，无人机不受地面交通限制，配合AI对无人机远程配送AED的飞行路线进行规划，能够大大缩短救援耗时^[34]。研究显示，无人机到达OHCA现场的时间在城市地区缩短了6 min，在农村地区缩短了19 min，这既保证了OHCA救援的及时性，也解决了AED全面覆盖的高成本问题^[35]。综上，将AI技术应用于AED除颤中，不仅能够提高除颤效果，还能优化应急响应速度和效率，进而提升救护质量。

2.4 OHCA患者预后预测

ROSC是心脏骤停患者早期生命迹象评估的重要指标之一，它不仅能够反映CPR是否有效，还是判断生存事件的关键因素。因此，准确预测ROSC概率对于制定高级生命支持方案及提高患者生存率具有重要参考价值。近年来，有研究者利用机器学习等方法开发了ROSC预测模型，其准确性和效果均优于传统临床评分表。Liu等^[36]基于机器学习建立的ROSC评分表，其AUC为0.806，优于临床常用的RACA和UB-ROSC。Harford等^[37]基于卷积神经网络，建立ROSC预测系统EFCN，结果表明EFCN的AUC值达到0.90，明显优于其他机器学习方法。此外，利用人工神经网络对OHCA后接受目标体温管理治疗患者的神经功能和生存率进行预测也呈现出较好的效果^[38]。还有研究发现，通过机器学习对呼气二氧化碳浓度进行测量也能有效预测患者的ROSC^[39]。由此可见，利用AI构建的预测模型可以帮助医务人员对患者复苏后状况和生存可能性进行准确评估，实现以最少的医疗资源投入达到最佳的复苏效果，同时有利于医务人员明确终止复苏时机，并为此提供依据。

3 基于AI的OHCA救治与决策面临的挑战和应对策略 3.1 AI数据的安全性和有效性

数据质量和可用性是AI成功应用的基础，由于OHCA患者发病时间及地点的不确定性、施救方法是否标准、抢救时间是否及时及就诊医院信息化水平差异等因素，常导致数据质量差异较大。有研究指出，较少的非洲裔美国人相较人口较多的白人却呈现出更高的OHCA发生率，因不同的医疗保险和家庭收入，非洲裔美国人的死亡率也更高。将这种偏差较大的数据代入AI进行训练，那么输出结果的风险偏倚也会更大^[40]。《Utstein模式OHCA复苏报告推荐指南》旨在建立一套统一的术语定义、数据元素、报告模板和评价标准，以便对不同地区、不同时间的OHCA发生情况和CPR实施效果进行比较，从而改善救治质量，并为此类科学研究提供参考^[41]。而我国基于Utstein模式的注册研究项目处于起步阶段，尚未形成规模。同时，由于我国不同医院的急诊信息化系统存在一定差异，导致患者数据各不相同，从而无法进行深度挖掘、分析和共享^[42]。大数据技术能够整合、分析和挖掘复杂且庞大的医疗数据，从中提取有效的医疗信息，目前已广泛应用于医疗决策制定、精准医学、公共健康等领域^[43]。然而，数据安全和数据孤岛问题是当前大数据在医疗应用中面临的重大挑战。区块链技术于2008年首次被提出，具有公正、透明、去中心化、不可伪造、全程留痕等特点，能够有效解决大数据应用中的数据安全问题，例如Ghayvat等^[44]基于区块链设计的去中心化电子健康档案存储系统，可以保障电子病历的完整性、安全性和个人隐私，解决了传统电子病历储存及共享过程中的隐私和安全问题。云计算技术则能够通过互联网整合海量信息，实现医疗信息的动态配置和扩展配置，能够同步、并行地完成任务，提高任务完成效率^[45]。因此，未来可借助区块链的安全性来解决大数据应用中的数据安全问题，利用云计算的资源共享能力解决大数据应用过程中的数据孤岛问题，进而构建出更加便捷高效、信任度高、隐私性强的OHCA数据收集和报告系统，以确保数据安全及有效性，进一步提高整体救治水平。

3.2 AI模型的可解释性问题

AI算法通常被认为是一个“黑箱”，原因是其内部计算逻辑和原理难以解释，欧盟一般数据保护条例要求，当AI算法用于患者时必须对黑箱进行透明性解释^[46]。在OHCA中，AI的可解释性非常重要，因为AI的输出会影响医疗人员和施救者对患者的决策，进而影响患者的生命和健康。AI在辅助OHCA诊断治疗时，应该能够向用户提供清晰、准确、及时的解释，以及保证输出的正确性、一致性和可复现性。目前有学者提出可解释AI（Explainable AI，XAI）的概念，但其起步较晚，且局限于某一领域的应用，缺乏通用性^[47]。因此，为了提高XAI的通用性和可用性，可对XAI的能力进行总结并进行业务级的封装，开发适用于OHCA的XAI业务组件，进而灵活适应各种应用场景。另外，梯度加权类激活映射（Grad-CAM)等可视化的深度学习方法在一定程度上解决了深度学习模型可解释性差的问题。近期，有研究提到可使用ChatGPT解释模型的决策过程，有望提高临床工作效率，增加患者满意度^[48]。此外，未来还可尝试开发将推理过程嵌入深度学习模型的先验算法，例如基于原型的模型解释，但目前这类模型还还处于初级阶段。

3.3 人机交互和协作

AI在OHCA的救治中，需要与多方参与者进行有效的交互和协作，包括旁观者、调度员、急救人员、医生等。此时，AI需为这些参与者提供特定的诊治建议，例如提供简单易懂的界面、给出清晰明确的指示、及时接受反馈等。但有研究发现，人工和AI相结合并没有提升OHCA救治决策效率，这可能跟人的主观选择有关，因为AI只能提供建议，而最终实施还是由人来完成^[49]。Vearrier等^[50]指出利用AI对患者进行抢救时，会因为复杂的交互问题而影响救治时间。此外，根据美国FDA发布的数据显示，3年间AI辅助手术发生114例患者死亡，究其原因是因为人机交互中出现的差错^[51]。因此，未来卫生部门、医疗机构等相关单位可以召集医疗、计算机等专业人员，探讨AI用于OHCA救治决策系统中的标准方案建设，令AI提供个性化和适时的支持，而不是强制或干扰干预。此外，医护人员也应该具备识别和解读AI结果的能力，便于有效地使用和评估AI系统，以及与AI系统进行沟通和协作。

3.4 伦理问题和法律责任

AI在辅助OHCA救治给医护和患者带来益处的同时也带来了伦理挑战。报道指出，IBM公司的Watson辅助诊疗系统曾为严重出血的患者开具抗凝药物，这给患者带来致命性伤害^[52]。此时，AI虽作为一个辅助系统为患者进行诊治，但控制AI的主体仍为医生。AI造成的差错或许是由于医生疏忽导致，也有可能是因为AI产品设计缺陷导致，此时如何界定责任分配，还尚无法律明文规定。其次是患者隐私问题，因为AI在OHCA患者救治过程需访问大量患者数据，不仅包括患者住院期间的医疗信息，为提高预测准确度甚至需要挖掘患者更加隐私的的信息，如生活方式、地理位置等^[53]。研究指出，2005年到2019年，全球有2.49亿人受到医疗数据泄露的影响^[54]，目前我国的医疗卫生机构信息化系统安全水平较低，存在诸多系统漏洞^[55]。因此，在制度层面需尽快建立在AI医学应用的伦理管理规范和法律问责机制，以应对其可能带来的伦理和法律等挑战。

4 小结与展望

由于OHCA发生时间、地点的不确定性和病情发展迅速，快速识别OHCA并进行危险因素预测和分层，对于提高ROSC和神经功能恢复具有重要意义，而传统救治方法对于改善OHCA患者预后仍存在许多不足。目前，越来越多研究表明将AI应用在OHCA救治支持中具有巨大潜力，利用AI对OHCA的发生风险进行预测，及时识别和诊断后使用AI协助救治，有望提高患者救治成功率和存活率，但目前针对AI在OHCA救治决策支持中相关研究的深度及广度远落后于其他疾病。同时，将AI应用于OHCA患者的救治效果是否优于仅使用传统急救手段尚不明确，在AI算法准确性、数据共享、患者隐私保护和监管等方面仍需完善，以及如何有效利用AI辅助OHCA救治，提升救治准确性，亟需高质量研究进一步验证。此外，在使用AI进行辅助救治过程中如何强调以患者为中心、加强医工信的结合，加快医疗行业智能化的进程也是未来需重点关注的问题。

利益冲突   所有作者声明无利益冲突