【彤心飛傳】神奇AI技術：看竇律，識房顫！

昵稱69125444 2021-05-30

展開全文

欄目介紹

彤心飛傳是由天津醫(yī)科大學第二醫(yī)院心臟科劉彤教授和鄭州大學附屬洛陽中心醫(yī)院心內科谷云飛共同推出的一檔心血管前沿文獻速讀欄目。每期精選國際頂級期刊心血管領域的最新文獻進行深度呈現(xiàn)，以期讓國內相關專業(yè)人員可以同步跟蹤學科進展，了解前沿動態(tài)資訊，獲取最新研究結論。

心房顫動是一種常見的心律失常，與卒中，心力衰竭相關，死亡風險增加2倍^[1,2]。由于普通心電圖（ECG）對于一過性心律失常檢出率低，而長程監(jiān)測設備使用較為繁瑣，因此房顫的篩查面臨較大挑戰(zhàn)。臨床風險評分可用于識別高風險患者，但其預測價值有限。由于上述局限性，各個學會指南中對于房顫篩查的建議并不一致。

成本低廉，無創(chuàng)且可廣泛應用的房顫篩查方法具有重要的診斷和治療價值。例如，多達三分之一的卒中未能發(fā)現(xiàn)病因，即所謂的隱源性栓塞（ESUS）^[3]。這些卒中很多與心房顫動有關，但由于房顫的陣發(fā)性特點，部分患者無臨床癥狀，導致未能早期檢測^[4]。ESUS患者卒中復發(fā)的風險很高，當記錄到心房顫動時，抗凝治療可降低卒中復發(fā)風險，并可降低死亡率^[5,6]。然而，如果對ESUS患者進行經驗性抗凝治療，無論是華法林還是直接口服抗凝藥物，均未證明有臨床獲益^[7,8]且增加出血風險^[7-9]。因此，確定是否存在心房顫動對于指導此類患者的治療至關重要。

長程心電監(jiān)測經常用于篩查心房顫動，特別是ESUS患者。主要方法包括植入式事件記錄儀和可穿戴式記錄設備^[1，2]。這些方法或具有侵入性，或使用不便，或價格昂貴，因此需要簡便且成本較低的檢測方法^[10]。

越來越多的證據(jù)表明，發(fā)生心房顫動的患者，即使其心臟結構正常也會有導致心律失常發(fā)生的心房結構性改變^[11]，這些改變可能對缺血性或栓塞性卒中的發(fā)生至關重要。既往有研究使用深度神經網絡形式的機器學習來識別標準12導聯(lián)心電圖中的細微變化，從而確定無癥狀心室功能障礙^[12]。

那么是否可以通過訓練神經網絡（人工智能）來識別竇性心律時12導聯(lián)心電圖中存在的某些細微改變，從而預測患者可能具有房顫病史，或者未來可能發(fā)生房顫？剛剛發(fā)表在Lancet上的一項研究^[13]給出了肯定答案。

研究者開發(fā)了一種基于神經網絡的人工智能（AI）心電圖儀，用來檢測10秒鐘，標準的12導聯(lián)竇性心律心電圖片段是否存在發(fā)作房顫的相關特征。共納入了1993年12月31日至2017年7月21日期間在Mayo Clinic心電圖室存檔的18歲以上患者的心電圖資料。所有心電圖分為兩組，心房顫動陽性組為既往至少有一次心房顫動或心房撲動心電圖記錄的患者，心房顫動陰性組為既往無房顫或房撲心電圖記錄，以及既往電子醫(yī)療記錄中無房顫/房撲記錄的患者。按照7：1：2的比例將所有心電圖分配到學習數(shù)據(jù)集、內部檢驗數(shù)據(jù)集和最終測試數(shù)據(jù)集。首先通過學習數(shù)據(jù)集來進行心電圖相關特征的學習，應用內部驗證數(shù)據(jù)集的ROC曲線下面積（AUC），用來確定各識別參數(shù)的選擇，最終用測試數(shù)據(jù)集來計算房顫識別的AUC以及準確度，敏感性和特異性。研究流程圖見圖1。

圖1 研究流程圖

共納入了180922名患者的649931份正常竇性心電圖進行分析：454789份心電圖分配中在學習訓練數(shù)據(jù)集中，18116例患者的64340份心電圖分配至內部驗證數(shù)據(jù)集中，36280例患者的130802份心電圖分配到測試數(shù)據(jù)集中。在測試數(shù)據(jù)集中有3051（8·4％）例患者確定存在心房顫動病史。單次AI輔助心電圖識別心房顫動的AUC為0.87（95％CI 0·86-0·88），敏感性為79·0％（77·5-80·4），特異性為79·5 ％（79·0-79·9），F(xiàn)1積分為39·2％（38·1-40·3），整體準確率為79·4％（79·0-79·9）。如果每個患者在興趣窗口時間內有多份心電圖，將多份心電圖納入檢測分析后其AUC提高至0.90（0·90-0·91），敏感性可達82·3％（80·9-83·6），特異性83·4％（83·0-83·8），F(xiàn)1積分為45·4％（44·2-46·5），整體準確率為83·3％（83·0-83·7）。

圖2 AI輔助心電圖檢測對房顫預測的表現(xiàn)

圖3 AI輔助心電圖檢測對房顫預測的ROC曲線

該研究提示：AI輔助的心電圖檢測技術可以應用竇性心律心電圖識別房顫高風險患者，此項技術對于心房顫動的篩查以及不明原因卒中患者的管理具有十分重要的意義。

（參考文獻見文末）

編者后記

人工智能（AI）技術的發(fā)展日新月異，將AI技術輔助應用于疾病的診斷是未來發(fā)展的重要方向。心房顫動作為21世紀心血管領域最后的堡壘之一，在篩查、診斷和治療等方面仍需不斷研究。尤其是針對短暫發(fā)作的、無癥狀的房顫，如何進行早期篩查是目前面臨的困境。雖然長程心電記錄以及植入式事件記錄儀的出現(xiàn)對于房顫篩查具有幫助作用，但其價格以及操作的便捷性、舒適性仍存在問題。柳葉刀雜志上的這篇AI深度自學習心電圖數(shù)據(jù)庫后利用竇律心電圖預測有無房顫的研究讓人耳目一新。因為發(fā)生房顫的患者其存在有早期心房的電學和解剖學的重構，這些早期細微的重構變化可以在心電圖上產生相應的改變，就像既往的一些研究中利用P波離散度、P波寬度等等肉眼可見的指標來預測房顫，不過AI技術的深度自學習功能可以幫助識別我們肉眼看不見的某些心電圖變化。通過尋找這些蛛絲馬跡來預測患者是否存在房顫病史或曾經發(fā)作過房顫，其敏感性為79·0％（77·5-80·4），特異性為79·5 ％（79·0-79·9），準確率為79·4％（79·0-79·9）。尤其在有多次心電圖時可進一步提高整體的預測敏感性、特異性和準確率。未來我們可能不需要記錄到房顫發(fā)作，而只需要一個穿戴設備記錄到的竇律心電圖就能判斷有無房顫，幫助房顫篩查進入一個全新時代！當然，其具體識別的算法如何進一步提升準確性，如何在更大范圍人群中的到確認，需要更大范圍的研究來支持?？傊?，AI輔助診斷房顫時代已然到來，期待未來精彩的表現(xiàn)。

專家簡介

劉彤，天津醫(yī)科大學第二醫(yī)院心臟科主任醫(yī)師，教授，科研科科長，天津心臟病學研究所心房顫動診療中心副主任，天津市131創(chuàng)新型人才（第一層次），首批天津市醫(yī)學津門英才。醫(yī)學博士/博士后（美國Cedars-Sinai醫(yī)學中心），天津醫(yī)科大學博士生導師。主要從事心臟起搏與射頻消融、心房顫動、腫瘤心臟病學的基礎和臨床研究。

現(xiàn)任中華醫(yī)學會心臟起搏與電生理分會委員，中華醫(yī)學會心血管病分會青年委員，中華醫(yī)學會科研管理分會青年委員，國際心電學會（ISE）青年委員，中華醫(yī)學會心臟起搏與電生理分會&中國醫(yī)師協(xié)會心律學專業(yè)委員會中青年電生理工作委員會副主任委員，中國心律學會青年委員，中國心電學會委員，中國醫(yī)師協(xié)會心力衰竭專業(yè)委員會青年委員會常務委員，中國抗癌協(xié)會第一屆整合腫瘤心臟病學分會常務委員。《CardiovascularDiagnosis and Therapy》（SCI）編委，《Front Physiol》（SCI）編委，《Cardiol Res Pract》（SCI）特刊編委，《中華心律失常學雜志》通訊編委，《中華老年心腦血管病雜志》編委，《中國心血管病研究》青年編委會副主任委員。

承擔國家自然科學基金項目3項，承擔天津市自然科學基金重點項目1項，參與國家自然科學基金項目2項，獲天津市科技進步獎3項，在JACC、Stroke、Cardiovasc Diabetol、Heart、JAHA、Circulation AE、Europace、Heart Rhythm等SCI雜志發(fā)表第一作者及通訊作者文章90余篇，總引用次數(shù)2424次。

谷云飛，鄭州大學附屬洛陽中心醫(yī)院心內科副主任，副主任醫(yī)師，現(xiàn)任中華醫(yī)學會心電生理與起搏分會&中國醫(yī)師協(xié)會心律學專委會中青年電生理工作委員會委員，中國醫(yī)師協(xié)會心臟重癥委員會青年委員、中國老年保健醫(yī)學研究會老年心血管分會青年常務委員、中國醫(yī)促會心律與心電分全國委員、海醫(yī)會心臟重癥委員會河南分會秘書、河南省心電生理與起搏分會射頻消融學組委員、河南省生物醫(yī)學工程學會介入分會委員、河南省卒中學會心律失常房顫委員會委員，河南省房顫中心聯(lián)盟秘書，洛陽市醫(yī)學會心血管病分會秘書，《實用心電學雜志》、《中國循證心血管醫(yī)學雜志》、《醫(yī)師在線》雜志編委，洛陽心臟網、循環(huán)在線微信公眾平臺主編。2015年獲河南省青年心電圖大賽一等獎，發(fā)表各類論文20余篇，參譯專著2部，參編專著1部。擅長心律失常的診斷治療、疑難心電圖分析，主攻心內科的臨床電生理檢查、射頻消融及永久起搏器植入。

參考文獻（上下滑動可查看全部參考文獻）

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 Sei?ge 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]