導讀

總結(jié)了AI在房顫檢測、管理領域的最新進展。

房顫（AF）是最常見的持續(xù)性心律失常，影響全球4300多萬人。房顫的檢測、診斷和管理成本高昂。相關數(shù)據(jù)估計，基于12導聯(lián)心電圖（ECG）的篩查，65至74歲人群每多獲得1個質(zhì)量調(diào)整生命年的成本約為30000歐元。

目前，歐洲心臟病學會（ESC）發(fā)布的2020年房顫診斷和管理指南中，要求使用標準的12導聯(lián)心電圖或單導聯(lián)心電圖（≥30s）記錄才能診斷房顫，同時推薦使用移動健康（mHealth）、人工智能（AI）技術進行房顫的篩查和風險預測。一項發(fā)表于Artificial intelligence for the detection的綜述總結(jié)了AI在房顫檢測、管理領域的最新進展，并認為臨床應用AI或能為房顫治療做出貢獻。

不同的AI算法分析ECG的共同點與區(qū)別

01

房顫檢測AI分析單導聯(lián)心電圖或可發(fā)揮重要作用

AI利用12導聯(lián)心電圖檢測房顫的效果相當好。Cai等人使用12導聯(lián)心電圖，應用神經(jīng)網(wǎng)絡獲得95－96％的F1分數(shù)（F1 Score）。Jo等人開發(fā)的神經(jīng)網(wǎng)絡靈敏度達98．5％，陽性預測值（PPV）為95．4％。它們對外部數(shù)據(jù)集表現(xiàn)出良好泛化能力，靈敏度為99．6－99．9％，PPV為91．4－98．0％。當僅使用導聯(lián)Ⅰ時，模型性能僅略有降低，這表明該模型也能用于可穿戴設備。Baalman等人的研究則發(fā)現(xiàn)導聯(lián)Ⅱ和導聯(lián)V3是使用深度學習進行單導聯(lián)房顫檢測的最佳候選導聯(lián)。當然，盡管AI表現(xiàn)良好，房顫的明確診斷仍需要醫(yī)生來確認。

單導聯(lián)心電圖記錄用于房顫檢測可以由多種mHealth設備和可穿戴設備來完成。比如集成到智能手表腕帶中，使其應用更廣泛。研究發(fā)現(xiàn)，盡管該應用的PPV較低（40％），但通過植入式心臟監(jiān)護儀驗證的靈敏度很高（97．7％）。“云端”可穿戴心電圖的AI分析允許對算法持續(xù)更新，并加強與醫(yī)護人員的聯(lián)系。深度學習用于單導聯(lián)心電圖分析，包括房顫檢測，使單導聯(lián)心電圖可能在未來的房顫檢測中發(fā)揮重要作用。

單導聯(lián)心電圖設備（頂部）和基于智能手機的光電容積描記術（底部）記錄的竇性心律和心房顫動示例。記錄來自不同個體。

光電容積描記術（PPG）用于智能手表或智能手機可通過描繪脈搏波連續(xù)測量心率。Tison等人在51名接受心臟復律的患者中評估了基于智能手表的PPG與12導聯(lián)心電圖的對比，靈敏度為98％，PPV為91％�？偠�言之，基于AI的PPG檢測房顫是可能實現(xiàn)的。

AI還能用于其他場景的房顫檢測。兩項研究表明，AI可以使用視頻進行房顫檢測，主要是通過提取面部PPG信號，達到94％的靈敏度和90－98％的PPV。隨著算法的進展和數(shù)據(jù)集納入，房顫檢測或在未來得到改進，并很快應用于臨床實踐。

02

房顫預測心電圖分析結(jié)合風險因素評估確定高風險人群

僅基于特定臨床風險因素，機器學習或無法超越CHARGE－AF風險評分的預測效果。目前，F(xiàn)IND－AF研究在使用AI和電子健康記錄對140000名患者進行新發(fā)房顫篩查，也許未來可證明神經(jīng)網(wǎng)絡能夠成功應用于房顫風險預測。

AI在房顫預測中的擴展價值可能在于心電圖及其他信號的神經(jīng)網(wǎng)絡分析，以及與臨床風險因素的結(jié)合。Khurshid等人使用AI分析心電圖來預測5年房顫風險，其水平與CHARGE－AF風險評分相當，且心電圖分析和風險因素評估相結(jié)合能夠確定房顫風險最高的人群。

03

房顫管理AI信號分析有助于識別治療響應者

已經(jīng)有不少研究使用機器學習算法來幫助不同專業(yè)的醫(yī)生管理房顫。比如一種機器學習模型，可以幫助急診科識別房顫，并推薦適當?shù)目鼓�治療。不過，由于臨床復雜性，以及個體醫(yī)生間的知識差異，研究者無法把算法訓練得如同醫(yī)生一樣下達醫(yī)囑。

在風險分層方面，研究者們也做出了努力。Inohara等人使用無監(jiān)督機器學習算法對患者分組，這些組別被證明具有輕微的心血管或神經(jīng)系統(tǒng)不良事件主要風險。Wanatabe等人使用機器學習算法分析臨床危險因素來預測血栓栓塞，效果略好于邏輯回歸模型。然而，Loring等人將機器學習與傳統(tǒng)回歸算法對死亡、出血和中風的預測結(jié)果相比較，沒有發(fā)現(xiàn)前者的更優(yōu)價值。

應用機器學習進行信號分析可能有助于識別治療響應者，因為神經(jīng)網(wǎng)絡或能比人類更好地應對其復雜性。2021年的一項模擬研究表明，機器學習可識別對肺靜脈隔離的響應者，但還需要進一步驗證。瑞典的一項研究正在評估使用基于智能手機的PPG檢測效果，即將接受直流電復律的患者自發(fā)轉(zhuǎn)為竇性心律的效果。

研究者們總結(jié)，AI應用于臨床可能為數(shù)字時代的房顫管理做出貢獻。應用于12導聯(lián)、單導聯(lián)ECG及PPG記錄的神經(jīng)網(wǎng)絡在房顫檢測方面表現(xiàn)出良好性能；AI使用生物醫(yī)學信號預測房顫預測比使用臨床變量顯示出更大潛力；AI甚至可以識別節(jié)律控制策略治療的響應者，但這些算法仍需要進一步開發(fā)。

參考資料：

       原文標題 : 靈敏度達98% AI或在房顫檢測中發(fā)揮重要價值