导读
总结了AI在房颤检测、管理领域的最新进展。
房颤（AF）是最常见的持续性心律失常，影响全球4300多万人。房颤的检测、诊断和管理成本高昂。相关数据估计，基于12导联心电图（ECG）的筛查，65至74岁人群每多获得1个质量调整生命年的成本约为30000欧元。
目前，欧洲心脏病学会（ESC）发布的2020年房颤诊断和管理指南中，要求使用标准的12导联心电图或单导联心电图（≥30s）记录才能诊断房颤，同时推荐使用移动健康（mHealth）、人工智能（AI）技术进行房颤的筛查和风险预测。一项发表于Artificial intelligence for the detection的综述总结了AI在房颤检测、管理领域的最新进展，并认为临床应用AI或能为房颤治疗做出贡献。
不同的AI算法分析ECG的共同点与区别
01
房颤检测AI分析单导联心电图或可发挥重要作用
AI利用12导联心电图检测房颤的效果相当好。Cai等人使用12导联心电图，应用神经网络获得95－96％的F1分数（F1 Score）。Jo等人开发的神经网络灵敏度达98．5％，阳性预测值（PPV）为95．4％。它们对外部数据集表现出良好泛化能力，灵敏度为99．6－99．9％，PPV为91．4－98．0％。当仅使用导联Ⅰ时，模型性能仅略有降低，这表明该模型也能用于可穿戴设备。Baalman等人的研究则发现导联Ⅱ和导联V3是使用深度学习进行单导联房颤检测的最佳候选导联。当然，尽管AI表现良好，房颤的明确诊断仍需要医生来确认。
单导联心电图记录用于房颤检测可以由多种mHealth设备和可穿戴设备来完成。比如集成到智能手表腕带中，使其应用更广泛。研究发现，尽管该应用的PPV较低（40％），但通过植入式心脏监护仪验证的灵敏度很高（97．7％）。“云端”可穿戴心电图的AI分析允许对算法持续更新，并加强与医护人员的联系。深度学习用于单导联心电图分析，包括房颤检测，使单导联心电图可能在未来的房颤检测中发挥重要作用。
单导联心电图设备（顶部）和基于智能手机的光电容积描记术（底部）记录的窦性心律和心房颤动示例。记录来自不同个体。
光电容积描记术（PPG）用于智能手表或智能手机可通过描绘脉搏波连续测量心率。Tison等人在51名接受心脏复律的患者中评估了基于智能手表的PPG与12导联心电图的对比，灵敏度为98％，PPV为91％。总而言之，基于AI的PPG检测房颤是可能实现的。
AI还能用于其他场景的房颤检测。两项研究表明，AI可以使用视频进行房颤检测，主要是通过提取面部PPG信号，达到94％的灵敏度和90－98％的PPV。随着算法的进展和数据集纳入，房颤检测或在未来得到改进，并很快应用于临床实践。
02
房颤预测心电图分析结合风险因素评估确定高风险人群
仅基于特定临床风险因素，机器学习或无法超越CHARGE－AF风险评分的预测效果。目前，FIND－AF研究在使用AI和电子健康记录对140000名患者进行新发房颤筛查，也许未来可证明神经网络能够成功应用于房颤风险预测。
AI在房颤预测中的扩展价值可能在于心电图及其他信号的神经网络分析，以及与临床风险因素的结合。Khurshid等人使用AI分析心电图来预测5年房颤风险，其水平与CHARGE－AF风险评分相当，且心电图分析和风险因素评估相结合能够确定房颤风险最高的人群。
03
房颤管理AI信号分析有助于识别治疗响应者
已经有不少研究使用机器学习算法来帮助不同专业的医生管理房颤。比如一种机器学习模型，可以帮助急诊科识别房颤，并推荐适当的抗凝治疗。不过，由于临床复杂性，以及个体医生间的知识差异，研究者无法把算法训练得如同医生一样下达医嘱。
在风险分层方面，研究者们也做出了努力。Inohara等人使用无监督机器学习算法对患者分组，这些组别被证明具有轻微的心血管或神经系统不良事件主要风险。Wanatabe等人使用机器学习算法分析临床危险因素来预测血栓栓塞，效果略好于逻辑回归模型。然而，Loring等人将机器学习与传统回归算法对死亡、出血和中风的预测结果相比较，没有发现前者的更优价值。
应用机器学习进行信号分析可能有助于识别治疗响应者，因为神经网络或能比人类更好地应对其复杂性。2021年的一项模拟研究表明，机器学习可识别对肺静脉隔离的响应者，但还需要进一步验证。瑞典的一项研究正在评估使用基于智能手机的PPG检测效果，即将接受直流电复律的患者自发转为窦性心律的效果。
研究者们总结，AI应用于临床可能为数字时代的房颤管理做出贡献。应用于12导联、单导联ECG及PPG记录的神经网络在房颤检测方面表现出良好性能；AI使用生物医学信号预测房颤预测比使用临床变量显示出更大潜力；AI甚至可以识别节律控制策略治疗的响应者，但这些算法仍需要进一步开发。
参考资料：
原文标题 : 灵敏度达98% AI或在房颤检测中发挥重要价值
