導(dǎo)讀

總結(jié)了AI在房顫?rùn)z測(cè)、管理領(lǐng)域的最新進(jìn)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(cè)、診斷和管理成本高昂。相關(guān)數(shù)據(jù)估計(jì)，基于12導(dǎo)聯(lián)心電圖（ECG）的篩查，65至74歲人群每多獲得1個(gè)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(xué)會(huì)（ESC）發(fā)布的2020年房顫診斷和管理指南中，要求使用標(biāo)準(zhǔn)的12導(dǎo)聯(lián)心電圖或單導(dǎo)聯(lián)心電圖（≥30s）記錄才能診斷房顫，同時(shí)推薦使用移動(dòng)健康（mHealth）、人工智能（AI）技術(shù)進(jìn)行房顫的篩查和風(fēng)險(xiǎn)預(yù)測(cè)。一項(xiàng)發(fā)表于Artificial intelligence for the detection的綜述總結(jié)了AI在房顫?rùn)z測(cè)、管理領(lǐng)域的最新進(jìn)展，并認(rèn)為臨床應(yīng)用AI或能為房顫治療做出貢獻(xiàn)。

不同的AI算法分析ECG的共同點(diǎn)與區(qū)別

01

房顫?rùn)z測(cè)AI分析單導(dǎo)聯(lián)心電圖或可發(fā)揮重要作用

AI利用12導(dǎo)聯(lián)心電圖檢測(cè)房顫的效果相當(dāng)好。Cai等人使用12導(dǎo)聯(lián)心電圖，應(yīng)用神經(jīng)網(wǎng)絡(luò)獲得95－96％的F1分?jǐn)?shù)（F1 Score）。Jo等人開發(fā)的神經(jīng)網(wǎng)絡(luò)靈敏度達(dá)98．5％，陽性預(yù)測(cè)值（PPV）為95．4％。它們對(duì)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(dāng)僅使用導(dǎo)聯(lián)Ⅰ時(shí)，模型性能僅略有降低，這表明該模型也能用于可穿戴設(shè)備。Baalman等人的研究則發(fā)現(xiàn)導(dǎo)聯(lián)Ⅱ和導(dǎo)聯(lián)V3是使用深度學(xué)習(xí)進(jìn)行單導(dǎo)聯(lián)房顫?rùn)z測(cè)的最佳候選導(dǎo)聯(lián)。當(dāng)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(rèn)。

單導(dǎo)聯(lián)心電圖記錄用于房顫?rùn)z測(cè)可以由多種mHealth設(shè)備和可穿戴設(shè)備來完成。比如集成到智能手表腕帶中，使其應(yīng)用更廣泛。研究發(fā)現(xiàn)，盡管該應(yīng)用的PPV較低（40％），但通過植入式心臟監(jiān)護(hù)儀驗(yàn)證的靈敏度很高（97．7％）�！霸贫恕笨纱┐餍碾妶D的AI分析允許對(duì)算法持續(xù)更新，并加強(qiáng)與醫(yī)護(hù)人員的聯(lián)系。深度學(xué)習(xí)用于單導(dǎo)聯(lián)心電圖分析，包括房顫?rùn)z測(cè)，使單導(dǎo)聯(lián)心電圖可能在未來的房顫?rùn)z測(cè)中發(fā)揮重要作用。

單導(dǎo)聯(lián)心電圖設(shè)備（頂部）和基于智能手機(jī)的光電容積描記術(shù)（底部）記錄的竇性心律和心房顫動(dòng)示例。記錄來自不同個(gè)體。

光電容積描記術(shù)（PPG）用于智能手表或智能手機(jī)可通過描繪脈搏波連續(xù)測(cè)量心率。Tison等人在51名接受心臟復(fù)律的患者中評(píng)估了基于智能手表的PPG與12導(dǎo)聯(lián)心電圖的對(duì)比，靈敏度為98％，PPV為91％�？偠�言之，基于AI的PPG檢測(cè)房顫是可能實(shí)現(xiàn)的。

AI還能用于其他場(chǎng)景的房顫?rùn)z測(cè)。兩項(xiàng)研究表明，AI可以使用視頻進(jìn)行房顫?rùn)z測(cè)，主要是通過提取面部PPG信號(hào)，達(dá)到94％的靈敏度和90－98％的PPV。隨著算法的進(jìn)展和數(shù)據(jù)集納入，房顫?rùn)z測(cè)或在未來得到改進(jìn)，并很快應(yīng)用于臨床實(shí)踐。

02

房顫預(yù)測(cè)心電圖分析結(jié)合風(fēng)險(xiǎn)因素評(píng)估確定高風(fēng)險(xiǎn)人群

僅基于特定臨床風(fēng)險(xiǎn)因素，機(jī)器學(xué)習(xí)或無法超越CHARGE－AF風(fēng)險(xiǎn)評(píng)分的預(yù)測(cè)效果。目前，F(xiàn)IND－AF研究在使用AI和電子健康記錄對(duì)140000名患者進(jìn)行新發(fā)房顫篩查，也許未來可證明神經(jīng)網(wǎng)絡(luò)能夠成功應(yīng)用于房顫風(fēng)險(xiǎn)預(yù)測(cè)。

AI在房顫預(yù)測(cè)中的擴(kuò)展價(jià)值可能在于心電圖及其他信號(hào)的神經(jīng)網(wǎng)絡(luò)分析，以及與臨床風(fēng)險(xiǎn)因素的結(jié)合。Khurshid等人使用AI分析心電圖來預(yù)測(cè)5年房顫風(fēng)險(xiǎn)，其水平與CHARGE－AF風(fēng)險(xiǎn)評(píng)分相當(dāng)，且心電圖分析和風(fēng)險(xiǎn)因素評(píng)估相結(jié)合能夠確定房顫風(fēng)險(xiǎn)最高的人群。

03

房顫管理AI信號(hào)分析有助于識(shí)別治療響應(yīng)者

已經(jīng)有不少研究使用機(jī)器學(xué)習(xí)算法來幫助不同專業(yè)的醫(yī)生管理房顫。比如一種機(jī)器學(xué)習(xí)模型，可以幫助急診科識(shí)別房顫，并推薦適當(dāng)?shù)目鼓�治療。不過，由于臨床復(fù)雜性，以及個(gè)體醫(yī)生間的知識(shí)差異，研究者無法把算法訓(xùn)練得如同醫(yī)生一樣下達(dá)醫(yī)囑。

在風(fēng)險(xiǎn)分層方面，研究者們也做出了努力。Inohara等人使用無監(jiān)督機(jī)器學(xué)習(xí)算法對(duì)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(fēng)險(xiǎn)。Wanatabe等人使用機(jī)器學(xué)習(xí)算法分析臨床危險(xiǎn)因素來預(yù)測(cè)血栓栓塞，效果略好于邏輯回歸模型。然而，Loring等人將機(jī)器學(xué)習(xí)與傳統(tǒng)回歸算法對(duì)死亡、出血和中風(fēng)的預(yù)測(cè)結(jié)果相比較，沒有發(fā)現(xiàn)前者的更優(yōu)價(jià)值。

應(yīng)用機(jī)器學(xué)習(xí)進(jìn)行信號(hào)分析可能有助于識(shí)別治療響應(yīng)者，因?yàn)樯窠?jīng)網(wǎng)絡(luò)或能比人類更好地應(yīng)對(duì)其復(fù)雜性。2021年的一項(xiàng)模擬研究表明，機(jī)器學(xué)習(xí)可識(shí)別對(duì)肺靜脈隔離的響應(yīng)者，但還需要進(jìn)一步驗(yàn)證。瑞典的一項(xiàng)研究正在評(píng)估使用基于智能手機(jī)的PPG檢測(cè)效果，即將接受直流電復(fù)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(yīng)用于臨床可能為數(shù)字時(shí)代的房顫管理做出貢獻(xiàn)。應(yīng)用于12導(dǎo)聯(lián)、單導(dǎo)聯(lián)ECG及PPG記錄的神經(jīng)網(wǎng)絡(luò)在房顫?rùn)z測(cè)方面表現(xiàn)出良好性能；AI使用生物醫(yī)學(xué)信號(hào)預(yù)測(cè)房顫預(yù)測(cè)比使用臨床變量顯示出更大潛力；AI甚至可以識(shí)別節(jié)律控制策略治療的響應(yīng)者，但這些算法仍需要進(jìn)一步開發(fā)。

參考資料：

       原文標(biāo)題 : 靈敏度達(dá)98% AI或在房顫?rùn)z測(cè)中發(fā)揮重要價(jià)值