【彤心飞传】神奇AI技术：看窦律，识房颤！

栏目介绍

彤心飞传是由天津医科大学第二医院心脏科刘彤教授和郑州大学附属洛阳中心医院心内科谷云飞共同推出的一档心血管前沿文献速读栏目。每期精选国际顶级期刊心血管领域的最新文献进行深度呈现，以期让国内相关专业人员可以同步跟踪学科进展，了解前沿动态资讯，获取最新研究结论。

心房颤动是一种常见的心律失常，与卒中，心力衰竭相关，死亡风险增加2倍^[1,2]。由于普通心电图（ECG）对于一过性心律失常检出率低，而长程监测设备使用较为繁琐，因此房颤的筛查面临较大挑战。临床风险评分可用于识别高风险患者，但其预测价值有限。由于上述局限性，各个学会指南中对于房颤筛查的建议并不一致。

成本低廉，无创且可广泛应用的房颤筛查方法具有重要的诊断和治疗价值。例如，多达三分之一的卒中未能发现病因，即所谓的隐源性栓塞（ESUS）^[3]。这些卒中很多与心房颤动有关，但由于房颤的阵发性特点，部分患者无临床症状，导致未能早期检测^[4]。ESUS患者卒中复发的风险很高，当记录到心房颤动时，抗凝治疗可降低卒中复发风险，并可降低死亡率^[5,6]。然而，如果对ESUS患者进行经验性抗凝治疗，无论是华法林还是直接口服抗凝药物，均未证明有临床获益^[7,8]且增加出血风险^[7-9]。因此，确定是否存在心房颤动对于指导此类患者的治疗至关重要。

长程心电监测经常用于筛查心房颤动，特别是ESUS患者。主要方法包括植入式事件记录仪和可穿戴式记录设备^[1，2]。这些方法或具有侵入性，或使用不便，或价格昂贵，因此需要简便且成本较低的检测方法^[10]。

越来越多的证据表明，发生心房颤动的患者，即使其心脏结构正常也会有导致心律失常发生的心房结构性改变^[11]，这些改变可能对缺血性或栓塞性卒中的发生至关重要。既往有研究使用深度神经网络形式的机器学习来识别标准12导联心电图中的细微变化，从而确定无症状心室功能障碍^[12]。

那么是否可以通过训练神经网络（人工智能）来识别窦性心律时12导联心电图中存在的某些细微改变，从而预测患者可能具有房颤病史，或者未来可能发生房颤？刚刚发表在Lancet上的一项研究^[13]给出了肯定答案。

研究者开发了一种基于神经网络的人工智能（AI）心电图仪，用来检测10秒钟，标准的12导联窦性心律心电图片段是否存在发作房颤的相关特征。共纳入了1993年12月31日至2017年7月21日期间在Mayo Clinic心电图室存档的18岁以上患者的心电图资料。所有心电图分为两组，心房颤动阳性组为既往至少有一次心房颤动或心房扑动心电图记录的患者，心房颤动阴性组为既往无房颤或房扑心电图记录，以及既往电子医疗记录中无房颤/房扑记录的患者。按照7：1：2的比例将所有心电图分配到学习数据集、内部检验数据集和最终测试数据集。首先通过学习数据集来进行心电图相关特征的学习，应用内部验证数据集的ROC曲线下面积（AUC），用来确定各识别参数的选择，最终用测试数据集来计算房颤识别的AUC以及准确度，敏感性和特异性。研究流程图见图1。

图1 研究流程图

共纳入了180922名患者的649931份正常窦性心电图进行分析：454789份心电图分配中在学习训练数据集中，18116例患者的64340份心电图分配至内部验证数据集中，36280例患者的130802份心电图分配到测试数据集中。在测试数据集中有3051（8·4％）例患者确定存在心房颤动病史。单次AI辅助心电图识别心房颤动的AUC为0.87（95％CI 0·86-0·88），敏感性为79·0％（77·5-80·4），特异性为79·5 ％（79·0-79·9），F1积分为39·2％（38·1-40·3），整体准确率为79·4％（79·0-79·9）。如果每个患者在兴趣窗口时间内有多份心电图，将多份心电图纳入检测分析后其AUC提高至0.90（0·90-0·91），敏感性可达82·3％（80·9-83·6），特异性83·4％  （83·0-83·8），F1积分为45·4％（44·2-46·5），整体准确率为83·3％（83·0-83·7）。

图2 AI辅助心电图检测对房颤预测的表现

图3 AI辅助心电图检测对房颤预测的ROC曲线

该研究提示：AI辅助的心电图检测技术可以应用窦性心律心电图识别房颤高风险患者，此项技术对于心房颤动的筛查以及不明原因卒中患者的管理具有十分重要的意义。

（参考文献见文末）

编者后记

   人工智能（AI）技术的发展日新月异，将AI技术辅助应用于疾病的诊断是未来发展的重要方向。心房颤动作为21世纪心血管领域最后的堡垒之一，在筛查、诊断和治疗等方面仍需不断研究。尤其是针对短暂发作的、无症状的房颤，如何进行早期筛查是目前面临的困境。虽然长程心电记录以及植入式事件记录仪的出现对于房颤筛查具有帮助作用，但其价格以及操作的便捷性、舒适性仍存在问题。柳叶刀杂志上的这篇AI深度自学习心电图数据库后利用窦律心电图预测有无房颤的研究让人耳目一新。因为发生房颤的患者其存在有早期心房的电学和解剖学的重构，这些早期细微的重构变化可以在心电图上产生相应的改变，就像既往的一些研究中利用P波离散度、P波宽度等等肉眼可见的指标来预测房颤，不过AI技术的深度自学习功能可以帮助识别我们肉眼看不见的某些心电图变化。通过寻找这些蛛丝马迹来预测患者是否存在房颤病史或曾经发作过房颤，其敏感性为79·0％（77·5-80·4），特异性为79·5 ％（79·0-79·9），准确率为79·4％（79·0-79·9）。尤其在有多次心电图时可进一步提高整体的预测敏感性、特异性和准确率。未来我们可能不需要记录到房颤发作，而只需要一个穿戴设备记录到的窦律心电图就能判断有无房颤，帮助房颤筛查进入一个全新时代！当然，其具体识别的算法如何进一步提升准确性，如何在更大范围人群中的到确认，需要更大范围的研究来支持。总之，AI辅助诊断房颤时代已然到来，期待未来精彩的表现。

专家简介

刘彤，天津医科大学第二医院心脏科主任医师，教授，科研科科长，天津心脏病学研究所心房颤动诊疗中心副主任，天津市131创新型人才（第一层次），首批天津市医学津门英才。医学博士/博士后（美国Cedars-Sinai医学中心），天津医科大学博士生导师。主要从事心脏起搏与射频消融、心房颤动、肿瘤心脏病学的基础和临床研究。

现任中华医学会心脏起搏与电生理分会委员，中华医学会心血管病分会青年委员，中华医学会科研管理分会青年委员，国际心电学会（ISE）青年委员，中华医学会心脏起搏与电生理分会&中国医师协会心律学专业委员会中青年电生理工作委员会副主任委员，中国心律学会青年委员，中国心电学会委员，中国医师协会心力衰竭专业委员会青年委员会常务委员，中国抗癌协会第一届整合肿瘤心脏病学分会常务委员。《CardiovascularDiagnosis and Therapy》（SCI）编委，《Front Physiol》（SCI）编委，《Cardiol Res Pract》（SCI）特刊编委，《中华心律失常学杂志》通讯编委，《中华老年心脑血管病杂志》编委，《中国心血管病研究》青年编委会副主任委员。

承担国家自然科学基金项目3项，承担天津市自然科学基金重点项目1项，参与国家自然科学基金项目2项，获天津市科技进步奖3项，在JACC、Stroke、Cardiovasc Diabetol、Heart、JAHA、Circulation AE、Europace、Heart Rhythm等SCI杂志发表第一作者及通讯作者文章90余篇，总引用次数2424次。

谷云飞，郑州大学附属洛阳中心医院心内科副主任，副主任医师，现任中华医学会心电生理与起搏分会&中国医师协会心律学专委会中青年电生理工作委员会委员，中国医师协会心脏重症委员会青年委员、中国老年保健医学研究会老年心血管分会青年常务委员、中国医促会心律与心电分全国委员、海医会心脏重症委员会河南分会秘书、河南省心电生理与起搏分会射频消融学组委员、河南省生物医学工程学会介入分会委员、河南省卒中学会心律失常房颤委员会委员，河南省房颤中心联盟秘书，洛阳市医学会心血管病分会秘书，《实用心电学杂志》、《中国循证心血管医学杂志》、《医师在线》杂志编委，洛阳心脏网、循环在线微信公众平台主编。2015年获河南省青年心电图大赛一等奖，发表各类论文20余篇，参译专著2部，参编专著1部。擅长心律失常的诊断治疗、疑难心电图分析，主攻心内科的临床电生理检查、射频消融及永久起搏器植入。

 参考文献（上下滑动可查看全部参考文献）

1 Sanna T, Diener HC, Passman RS,et al. Cryptogenic stroke and underlying atrial fibrillation. N Engl J Med 2014;370: 2478–86.
2 Gladstone DJ, Spring M, Dorian P, et al. Atrial fbrillation in patients withcryptogenic stroke. N Engl J Med 2014; 370: 2467–77.
3 Hart RG, Diener HC, Coutts SB, et al. Embolic strokes of undetermined source:the case for a new clinical construct. Lancet Neurol 2014; 13: 429–38.
4 Martin DT, Bersohn MM, Waldo AL, et al. Randomized trial of atrial arrhythmiamonitoring to guide anticoagulation in patients with implanted defbrillator andcardiac resynchronization devices. Eur Heart J 2015; 36: 1660–68.
5 Seiffge DJ, Werring DJ, Paciaroni M, et al. Timing of anticoagulation afterrecent ischaemic stroke in patients with atrial fbrillation. Lancet Neurol 2019;18: 117–26.
6 Lip GYH, Banerjee A, Boriani G, et al. Antithrombotic therapy for atrialfbrillation: CHEST guideline and expert panel report. Chest 2018; 154:1121–201.
7 Hart RG, Sharma M, Mundl H, et al. Rivaroxaban for stroke prevention afterembolic stroke of undetermined source. N Engl J Med 2018; 378: 2191–201.
8 Mohr JP, Thompson JL, Lazar RM, et al. A comparison of warfarin and aspirinfor the prevention of recurrent ischemic stroke. N Engl J Med 2001; 345:1444–51.
9 Chimowitz MI, Lynn MJ, Howlett-Smith H, et al. Comparison of warfarin andaspirin for symptomatic intracranial arterial stenosis. N Engl J Med 2005;352: 1305–16.
10 Seet RC, Friedman PA, Rabinstein AA. Prolonged rhythm monitoring for thedetection of occult paroxysmal atrial fibrillation in ischemic stroke ofunknown cause. Circulation 2011; 124: 477–86.

11 Kottkamp H. Human atrialfbrillation substrate: towards a specifc fbrotic atrial cardiomyopathy. EurHeart J 2013; 34: 2731–38.
12 Attia ZI, Kapa S, Lopez-Jimenez F, et al. Screening for cardiac contractiledysfunction using an artifcial intelligence-enabled electrocardiogram. NatureMed 2019; 25: 70–74.

13Attia ZI, Noseworthy PA, Lopez-Jimenez F, et al.An artificial intelligence-enabled ECG algorithm for the identification ofpatients with atrial fibrillation during sinus rhythm: a retrospective analysisof outcome prediction.Lancet. 2019 Aug 1. pii:S0140-6736(19)31721-0. doi: 10.1016/S0140-6736(19)31721-0. [Epub ahead ofprint]