心脏骤停是一种严重威胁生命的急症，每年造成全球数百万人直接死亡，其中，约有80%发生医院以外，又称为院外心脏骤停（out-of-hospital cardiac arrest，OHCA）^[1]。我国医疗资源分布不均衡，发生OHCA的患者抢救出院存活率不足1%，能够恢复良好神经功能的患者更是少之又少^[2]。OHCA高病死率与急救链的各个环节密切相关，包括识别延迟、现场急救启动不足、心肺复苏（cardiopulmonary resuscitation, CPR）质量不高、自动体外除颤器（automated external defibrillator, AED）使用率低以及院前与院内医疗服务衔接不畅等^[3]。

近年来，随着人工智能（artificial intelligence, AI）和互联网技术的快速发展，为构建更高效、更智能的院前急救系统提供了前所未有的机遇。这些新兴技术不仅能够提升OHCA的早期识别和预警能力，还能优化急救流程，提高急救人员的工作效率，并促进院前与院内医疗信息共享与协同，最终有望显著改善OHCA患者的预后^[4]。5G通信与AI技术在院前急救领域的融合发展与创新应用，可以对患者做到实时监控、早期发现、提供策略应对，为OHCA患者提供更及时、更精准、更高效的救治。

1 OHCA的早期智能识别与预警 1.1 构建智能化互联网前哨急救医院

建立以互联网医院+门诊急诊大数据为基础的急性心脑血管病前哨医院，实现重点人群监测，一键报警系统让患者与急救车双向定位。以医院电子病历为基础，收集患者既往病史、家族病史、平时生活习惯不良嗜好、平日来院就诊时的病情、主诉、症状体征、实验室检验检查结果，根据患者病情程度评分、危险分层等数据分析，纳入急性心血管病前哨医院作为重点监测对象。

部分患者在心脏骤停前（围心搏骤停期）具有先兆症状和体征。随着可穿戴技术的飞速发展，将传感器、多媒体、无线通信等技术嵌入到日常用品（如手表、手环、眼镜等)中，使实时监测用户的生命体征成为现实^[5-6]。可穿戴设备所获取的生物识别信号可提前数小时或数分钟警告患者即将发生危及生命的心血管事件^[7]。在院外环境中，对患者进行持续性监测，促进对高危患者OHCA风险的预测，并及时启动紧急医疗服务（emergency medical service, EMS）以减少院外急救启动的延误^[8]。国内外多个团队已经研发出以摩擦电传感为基础的纺织品，可以有效捕获人体不同部位的实时脉冲信号，并通过AI算法模型的分析反映人类当前的健康状况^[9-11]。陈锋^[12]设计了一种内置心率传感器的智能监测手表以实时采集用户的心率数据，并利用智能算法进行基础心率与心率变异性分析，设置心脏骤停前兆预警参数，在用户心率异常时发出预警信息。一些智能手表还可以在检测到佩戴者跌倒不动时自动呼叫EMS^[13]。这类智能设备为院外心肺脑复苏的早期预警提供了重要信息来源。

1.2 利用视频监控系统、智能手机和扬声器对跌倒、异常呼吸进行非接触式、被动检测识别心脏骤停的发生

半数以上的OHCA发生在无人目击的公共环境或者居家环境中。由于缺乏及时识别，导致急救生存链无法启动，这类患者的生存概率极低^[14]。近年来，摄像机技术的进步使闭路电视监控系统在公共场所日益普及。我国的公安治安视频监控系统利用高清摄像头、视频存储和传输技术，实现对城市、交通、公共场所等重点区域的实时监控。有研究提出一种新型AI视频处理算法，能够跟踪、识别包括跌倒在内的各种活动，在快速识别公共场所无人目击的OHCA方面具有潜在价值^[15]。以AI算法为基础，可以通过监控摄像头自动监测疑似因OHCA而倒地的患者，并智能激活EMS^[16-17]。

此外，心脏骤停患者常伴有痛苦呼吸。利用智能手机和智能扬声器对异常呼吸进行非接触式、被动检测也是一种识别心脏骤停的创新方法^[18]。基于呼叫者语音声学特征的机器学习模型可以有效识别OHCA。Rafi等^[19]的研究表明声学参数的集成将有助于开发一种AI决策支持系统，以促进紧急呼叫中OHCA患者的识别。一项观察性研究证实，AI识别出OHCA的特异性与120急救调度员水平相似，甚至具有更高的敏感度^[20]。AI还可以根据紧急呼叫期间120急救调度员可能错过的词汇与呼叫者的情绪状态来评估发生OHCA的可能性^[21]。Linderoth等^[22]发现在目击者发出的紧急呼叫中添加实时视频可以为调度员提供更多来自现场和患者的信息，从而提高OHCA识别率。另有研究表明，基于AI的自动化视频处理算法可以在数秒内检测到因心脏骤停而跌倒的事件发生^[15]。5G技术的发展可以实现快速稳定的视频传输，促进实时视频与紧急呼叫的结合，显著提升OHCA识别率，改善患者生存及预后^[10]。

2 提高院前急救效率 2.1 提升第一目击者CPR启动率

调度员指导的CPR（dispatcher-assisted CPR, DA-CPR）是指急救中心调度员通过与拨打急救电话的目击者沟通，系统地指导他们在救护车到达前对疑似OHCA患者进行CPR的过程。目前，中国大陆地区由目击者启动的CPR并不常见，由于大部分目击者不具备CPR能力以及个人意愿问题，OHCA的院前急救主要依赖于EMS人员^[2]。

国外研究表明，增加DA-CPR有助于改善OHCA患者院前自主循环恢复（return of spontaneous circulation, ROSC）率和出院生存率^[23-25]。智能技术可以将有意愿在OHCA发生时参与协助干预的公民纳入急救人员网络，并在附近出现OHCA事件时通过移动电话发出警报。Smida研究小组开发出智能手机程序，能够利用GPS定位系统和网络信息传输技术，在EMS调度启动的同时通过手机提醒附近的志愿急救人员，并显示附近AED位置分布信息^[26]。5G技术有助于解决手机连接卡顿、位置延迟等问题，实现真正的实时信息传递，提高EMS到达前的CPR启动率和AED使用率^[27]。Region of Lifesavers系统还可以将AI算法与Google地图结合实时计算志愿者最佳前往路线及交通方式，当预计志愿者到达时间会晚于救护车时，系统会自动拒绝此次响应^[28]。

2.2 优化AED应用

AED和AI的结合有望进一步提高AED的使用效能，改善可电击心脏骤停患者的预后。过去十年间，已开发众多移动应用程序和网站来定位AED^[29]。借助智能手机的地理定位功能，这些程序和网站可以实时定位用户和AED位置，并显示前往最近AED的路线，为早期除颤提供技术基础^[30]。

AED使用时中断CPR以识别心律是否需要电击，会增加CPR中断时间，加剧脑缺氧损伤风险，开发在CPR过程中识别可电击心律的AED系统至关重要。基于深度神经网络框架可以实现持续进行CPR同时对可电击心律的高精度诊断并提供可靠的电击决策^[31-34]，将此类算法与AED设备结合，有望改善OHCA患者的预后结局。目前，用于开发AI模型的患者数据量有限，未来的研究着眼于扩大数据集，将包含各种伪影在内的心电图以及来自不同AED设备的数据囊括在内^[35]。利用5G网络将全国AED获取的院外急救心电图数据上传至云服务器，在云端实现数据的归档、分类及分析，提高数据质量。使用这些数据训练现有的算法模型，能够改进AI算法的效力与全面性。

现代AED还可采集胸阻抗、呼气末二氧化碳、血压、脉搏血氧等多种数据，帮助院前急救人员和临床医生了解在紧急情况下无法通过其他方式记录的信息^[36]。然而，现有AED数据格式不统一、存储空间有限，且每次启动都会生成新文件，给数据分析带来了困难。AED文件使用的工业专有存储格式增加了数据处理的难度^[37]，研发配备5G数据传输功能的新型AED可以解决上述问题。当急救结束后，新型AED在联网状态下可自动上传本地新生成的文件，构建大型云端AED原始数据库。利用AI分析AED收集的海量且复杂的日志文件，提取记录的生物医学信号和事件数据，有助于强化复苏策略并提供更具个性化的心脏骤停救护方案。

2.3 提供高质量CPR指标的客观反馈和评价

至今已开发了多个智能手机应用程序^[38-39]，这些程序利用手机摄像头捕捉CPR动作，使用AI算法估算CPR频率和间断时间，向救援者提供实时客观反馈。同时，它们能在复苏期间通过5G网络向调度员传输实时信息，集成了音频和视频录制功能的程序还可以在5G技术支持下将数据同步上传到云存储，收集的数据应用于AI算法训练，能够为未来的评价系统提供支持^[40]。

目前，CPR质量监测的主要指标包括胸外按压质量相关参数（按压部位、频率、深度、中断时间等）以及经胸阻抗、血流动力学参数等生理指标^[41-42]。在临床实践中，关于胸外按压的部位、频率、深度、中断时间等胸外按压的机械性指标可以得到精准的测量，但是冠脉灌注压、脑灌注压、脑氧等重要的血流动力学指标和生理指标的精准量化难以实现。AI算法有望在无创持续监测方向上助一臂之力。

Liu等^[43-44]提出了一种以卷积神经网络-Transformer混合架构为基础的HGCTNet，通过分析可穿戴设备记录的生物信号实现隐蔽而连续的无袖带血压测量。Jiang等^[45]使用心电图和光电容积脉搏波（photoplethysmography, PPG）信号，结合机器学习算法，提出了一种新的冠脉灌注压无创估算方法。此外，Park等^[42]在大动物心脏骤停模型中开发了一种基于AI的CPR反馈新方法，使用无创的耳垂PPG实时监测并反馈流向大脑的血流。Kim等^[46]使用机器学习分析CPR期间获取的前额单通道脑电图信号，可以准确估计动物心脏骤停复苏时的脑灌注压。

3 建设智能化院前注册分诊系统和电子病历系统 3.1 开发云注册分诊系统

快速、专业的EMS响应对改善OHCA患者预后至关重要。机器学习有望提升调度系统的效率和准确性，实现基于现场信息确定医疗优先级别并智能分配救护车^[47-48]。例如，将ST段抬高的心肌梗死导致的OHCA患者直接转运至具备PCI能力的医院，进行冠脉血运重建，可明确提高生存率^[49]。然而，目前的院前急救系统依赖于经验丰富的医护人员进行现场评估和医院分诊，会有一定的错误率。

未来，随着新一代数字通信信息技术、互联网+人工智能技术在急诊分诊系统的引入和应用，对助力急诊预检分诊关口前移和工作质量的提高有事半功倍的作用^[50]。院前急救系统通过对患者身份证信息读取、语音交互等技术实现呼救位置、人口学、社会行为学、主诉、既往史等信息的智能化釆集。救护车急救设备与云分诊系统对接，全程釆集患者的生命体征、心电监护及辅助检验检查等信息后，通过现代通讯技术，将院前急救釆集的信息实时传输至云分诊系统。云分诊系统接收到患者信息后，结合实时各家医院的能力和急诊资源的拥挤情况，进行辅助决策，根据“就近就急、满足专业需要、兼顾患者意愿”的原则，实现患者高效、科学、合理分诊^[51]。

确定分诊医院的同时，将患者信息提供给该医院，并实现远程信息登记、挂号、预分配相应医疗资源。分诊医院可以通过远程诊疗系统提供院前急救指导，并根据疾病准备好相应的抢救人员、设备以及医疗资源^[52]。借助现代通讯技术构建云分诊系统，消除区域内院前急救-院内急诊-医院与医院之间的壁垒，实现信息互通。基于异构神经网络的AI模型将进一步优化云分诊系统的效率和准确性，最终实现区域内院前急救与院内医疗的无缝衔接，构建以患者为中心的连续性医疗服务体系。

3.2建立智慧电子病历注册共享系统

急诊电子病历系统是医疗信息化建设的关键组成部分。急诊的复杂性和时间限制性，使得急诊电子病历的建立和完善更为紧急，要求更为复杂。区块链技术为解决急诊病历信息共享问题提供了新思路。将区块链技术应用于医疗行业底层技术架构中，通过患者授权，实现各种诊疗场景下的病历共享^[53]。利用区块链的不可篡改性和可溯源性，极大提高了数据的真实性和医疗保险支付凭证的可信度。区块链中的智能合约可以固化电子病历数据共享交换及利益分配规则，保障各方应有的权力和利益，从技术上解决各机构对病历共享的顾虑^[54]。

此外，急诊病历数据包含结构化数据和非结构化数据（如图片、音频、视频等）。传统系统仅能处理结构化数据，造成大量宝贵信息缺失。基于AI和大数据技术的智能化病例注册系统能够整合结构化和非结构化数据，为数据分析和共享奠定基础。系统所提供的病历模板在符合通用性的同时，允许用户直接上传非结构化数据，利用智能化手段，最大程度提高病历完成效率和质量。结合AI开发全新交互式智能电子病历系统，可以为急救人员提供实时、专业的诊断和治疗建议，提升临床决策支持能力，提高院前及院内急救效率，最终改善OHCA患者的预后^[55]。

4 结语与展望

未来数十年，科技将有望彻底改变OHCA患者的急救干预策略。基于人工智能和5G技术的智能化院前急救系统构建（图 1），旨在通过多方面技术手段提升OHCA患者的救治成功率和预后。

今后，仍需更多的研究以进一步完善AI算法模型，提高OHCA预测、识别的准确性和可靠性。提高无目击者的OHCA患者的院前急救快速启动。针对时间限制性疾病，如急性心肌梗死、脑血管意外、呼吸道异物吸入、主动脉夹层/主动脉瘤破裂出血等可导致心脏骤停的疾病，构建移动式智慧医疗救护车，配载小型车载CT，实现5G/4G/光纤多网聚合保障弱网环境下的远程指导，实现血检、超声、心电、CT、呼吸机、脑电、可穿戴医疗设备等信息的高速传输与共享，融合AI辅助决策系统，建立院前急救重症监护一体化抢救模式，最终构建一个覆盖全生命周期的智能化院前急救体系，改善OHCA患者预后^[56-57]。

利益冲突  作者声明无利益冲突