［摘要］ 心房顫動（簡稱房顫）是最常見的心律失常之一，具有隱匿性、陣發(fā)性、復雜性、高致死致殘率等特點，且患病率呈上升趨勢。傳統(tǒng)的房顫篩查方法具有局限性，而新出現的人工智能技術在房顫的篩查、診斷、預測方面展現出獨特的優(yōu)勢和廣闊的應用前景。在房顫篩查中智能可穿戴設備具有較好的可行性、特異性和敏感性，而且在臨床應用中具有較高的成本效益。

［關鍵詞］ 心房顫動；人工智能；可穿戴設備；篩查

［中圖分類號］ R541.75

［文獻標志碼］ A

［文章編號］ 2095-9354（2024）02-0186-05

DOI：10.13308/j.issn.2095-9354.2024.02.015

［引用格式］ 王芳麗，穆耶賽爾·麥麥提明，馮艷. 基于人工智能的心房顫動篩查與管理的研究進展［J］. 實用心電學雜志， 2024， 33（2）： 186-190.

Research progress of artificial intelligence-based screening and management of atrial fibrillation

WANG Fangli， MAIMAITIMING Muyesaier， FENG Yan （Department of Electrocardiology， Diagnosis and Treatment Center of Heart and Panvascular Medicine， Xinjiang Uygur Autonomous Region People’s Hospital， Urumqi Xinjiang 830001， China）

［Abstract］ Atrial fibrillation （AF） is one of the most common arrhythmias. It is characterized by concealment， paroxysmal nature， complexity， and high mortality and disability rate; the prevalence rate of AF is on the rise. The new emergence of artificial intelligence technology breaks through the limitations of traditional methods of AF screening， showing unique advantages and broad application prospects in the screening， diagnosis and prediction of AF. Intelligent wearable devices have higher feasibility， specificity and sensitivity in the screening" of AF， with high cost-effectiveness in clinical application.

［Key words］ atrial fibrillation； artificial intelligence； wearable device； screening

在2008至2020年間，我國心血管疾病死亡事件中的院外死亡人數占總死亡人數的81.51%。心房顫動（簡稱房顫）是最常見的心律失常之一［1］，據全球疾病負擔項目估計，2016年全球房顫患者約為4 630萬人，并且患病率逐年呈上升趨勢。越來越多的證據表明，房顫與心源性猝死、腦卒中和充血性心力衰竭等相關［2-3］。房顫患者早期心律控制治療（EAST）研究結果表明，房顫的早期檢測和心律控制策略的有效實施可明顯降低死亡率和住院治療率［4］。目前，隨著可穿戴設備進一步開發(fā)、移動健康技術的快速發(fā)展，新型設備在房顫篩查中的可行性、高敏感性和特異性得到了驗證。

1 房顫概述

房顫具有隱匿性、陣發(fā)性、復雜性、高致死致殘率等特點，是缺血性腦卒中、認知功能障礙等并發(fā)癥發(fā)病率升高的獨立危險因素。預計到2030年，歐洲房顫患者將達1 400萬～1 700萬，每年新發(fā)房顫病例數為12萬～21.5萬；2014至2015年我國≥40歲人群房顫標化患病率為2.31%；對中國7個地理區(qū)域≥45歲共47 841名成年人進行的調查顯示，其加權房顫患病率為1.8%，而房顫腦卒中高?；颊咧袃H6.0%接受抗凝治療，年齡≥75歲者的房顫知曉率為53.9%［5］

目前房顫診斷需要至少一次房顫發(fā)作持續(xù)≥30 s的心電圖記錄。由于房顫通常無癥狀，目前指南建議在高危人群中進行系統(tǒng)性及機會性篩查，主要篩查方法包括脈搏自觸診、

Holter監(jiān)測

或使用自動血壓監(jiān)測儀、智能手機應用、單導聯心電圖記錄儀、連續(xù)心電圖貼片、用于心電圖記錄的可穿戴設備進行監(jiān)測［6］。盡管篩查房顫的方法眾多，但只有一小部分方法能明確診斷房顫，大多數方法仍需要對疑似房顫患者進行進一步的心電圖確認。對于有典型癥狀的房顫患者，如果常規(guī)心電圖檢查不能診斷，則需要使用心電圖監(jiān)測設備或患者自激活心電圖記錄儀進行主動房顫搜索，以確診房顫。因房顫發(fā)作的不可預測性、短暫性、自終止性或無癥狀性，房顫的檢測仍然具有挑戰(zhàn)性。BENJAMIN等［7］指出，通過大規(guī)模的縱向研究（結合心電圖、超聲心動圖、心血管磁共振、計算機斷層掃描和傳統(tǒng)或遺傳/基因組生物標志物）能更好地識別房顫，同時對房顫及其相關并發(fā)癥的風險預測是否精確加以驗證。這些研究結果的實際應用以及聯合人工智能模型將大大提高對房顫高危人群和個體的識別率。

2 基于人工智能的房顫診斷及預測

機器學習（包括深度學習）已被證明是幫助臨床醫(yī)生進行患者篩查和風險分層的有力工具。華中科技大學同濟醫(yī)院2010年構建了心電圖大數據網絡平臺，ZHU［8］等收集了其中20萬余份心電圖，通過共模深度神經網絡的學習，可對21種心律失常進行診斷，同時證明了深度學習可以替代勞動密集型和重復性工作。刊發(fā)上述研究的同期雜志還發(fā)表了德國慕尼黑工業(yè)大學Deniel Sinnecker教授針對該研究的評論，認為即使對合并節(jié)律和傳導異常的復雜多標簽心電圖，深度學習的正確率也可能勝過經驗豐富的醫(yī)生。LAGHARI等［9］構建的端到端神經網絡診斷房顫的準確性、敏感性、特異性分別為97.72%，93.09%、98.71%。HANNUN等［10］構建的深度神經網絡可對房顫、心房撲動、房室阻滯等多種心律失常進行診斷，AUC值為0.97，F1為0.837。LI等［11］開發(fā)了SEResUTer心電圖描繪和房顫的深度學習模型，通過分析RR間期差異和是否存在P波，測試房顫識別的準確率達99.2%。RAMESH等［12］將最先進的心電圖和光電容積脈搏波（photo plethysmography，PPG）信號處理方法相結合，并從短信號和長信號中提取心率變異性（heart rate variability，HRV）特征，開發(fā)了一個基于HRV特征訓練的深度學習模型；通過轉移學習將30 s心律分類為正常竇性心律和房顫，該模型在心電圖數據集實現了準確性為95.50%、敏感性為94.50%、特異性為96.00%的總體二進制分類性能度量，在PPG數據集上，其準確性、敏感性、特異性分別為95.10%、94.60%和95.20%。上述研究表明，通過基于HRV的知識轉移，使用心電圖訓練模型的可穿戴設備在非動態(tài)房顫檢測方面具有廣闊的應用前景。

大量研究表明，基于心電圖數據的計算機輔助方法是分析和識別心血管疾病的一種很有前途的工具，而常規(guī)和低成本的檢查將是房顫預測工具開發(fā)中的重要的一步。有研究顯示，人工智能或可從正常節(jié)律的心電圖中識別房顫。BAJ等［13］收集了92 465名受試者的207 521份心電圖，利用心電圖信號開發(fā)新發(fā)房顫的預測模型，使用該預測模型診斷的新發(fā)房顫為25 857例，占比12.5%。RAGUNATH等［14］分析了≥18歲患者的12導聯心電圖，提示利用深度學習網絡可以預測新發(fā)房顫，有助于識別以后會發(fā)生房顫的患者；僅使用心電圖作為輸入訓練卷積神經網絡（convolutional neural network，CNN），預測房顫發(fā)作的AUC為0.83。BAEK等［15-16］開發(fā)了深度學習神經網絡，使用12導聯心電圖識別正常竇性心律期間的房顫，AUC值為0.79，特異性達78%，F1值0.75，提示基于深度學習的算法在竇性心律心電圖中檢測房顫的準確性較高。上述研究同時收集2012年11月1日至2021年12月31日10家高麗大學醫(yī)院超過50 000例患者的12導聯心電圖進行回顧性隊列研究，結果顯示該心電圖模型預測房顫的AUC值0.80。EL-SHERBINI等［17］納入5項研究，顯示接受心臟手術的患者術后有高達20%～55%的比例會發(fā)生房顫，這5項研究均使用機器學習模型來預測心臟手術術后房顫的發(fā)生風險，其敏感性為22%～91%，特異性為64%～84%，AUC值為0.64～0.94，提示機器學習可能是預測心臟手術術后發(fā)生房顫的有力工具。YUAN 等［18］收集1987 年1月1日至2022 年12月31日美國退伍軍人事務部（United States Department of Veterans Affairs，VA）醫(yī)院網絡和一個大型非VA學術醫(yī)療中心診治的心電圖為竇性心律的門診患者，共計907 858份心電圖，研究發(fā)現基于門診竇性心律心電圖的深度學習模型可以預測31 d內具有不同人口統(tǒng)計數據和合并癥的人群中的房顫，在VA及非VA中，AUC分別為0.86、0.93，準確性為0.78、0.87，F1得分為0.30、0.46。ERDENEBAYAR等

［19］提出了一種基于CNN使用短期正常心電圖信號自動預測房顫的方法。該研究發(fā)現，該自動預測房顫的CNN模型性能好，敏感性、特異性、準確性分別為98.6%、98.7%、98.7%。以上研究表明人工智能有望成為房顫早期預測的有力工具。

3 可穿戴設備與房顫篩查

可穿戴設備結合大數據、人工智能等前沿技術，可對居民的生命體征進行實時、連續(xù)和長時間的監(jiān)測，并提供及時、個性化的干預方案，從而實現全人群、全周期、全方位的健康管理。截至 2023年6月，我國網民規(guī)模達10.79億，網民使用手機上網的比例達99.8%［20］，為可穿戴設備的開發(fā)、應用及普及打下了較好的基礎。有研究顯示，可穿戴設備可用于房顫的識別、量化和表征以及管理。目前可穿戴設備主要有三種類型，分別基于PPG、脈沖可變性和心電圖技術?；赑PG的智能設備可以對房顫進行篩查，即使對于低風險的普通人群，該類設備對房顫發(fā)作的確診率也超過93%。POH等［21］的研究納入111名受試者，收集了91 857個間期，以14 d連續(xù)心電圖監(jiān)測儀作為參考設備來評估算法的敏感性和特異性，基于PPG的CNN腕戴式設備檢測房顫的敏感性為 96.1%，特異性為 98.1%。LOPEZ PERALES等［22］對15項使用智能設備篩查房顫的研究進行評估，結果顯示PPG傳感器檢測房顫的敏感性為85.0%～100%，特異性為93.5%～99.0%。CHEN等［23］使用記錄PPG和單通道心電圖數據的手環(huán)對401例患者的心電圖進行識別，結果顯示PPG腕帶診斷房顫的敏感性、特異性和準確性分別為88.00%、96.41%和93.27%；心電圖腕帶診斷房顫的敏感性、特異性和準確性分別為87.33%、99.20%和94.76%。這表明將PPG和心電圖技術結合起來，可提高房顫的檢測效能。

4 基于人群的房顫篩查策略及成本效益

目前未確診的房顫是腦卒中發(fā)病的一個重要原因。迄今為止，大多數傳統(tǒng)房顫篩查策略使用的單時間點篩查［24］，難以檢測陣發(fā)性房顫。手腕佩戴的可穿戴設備的采樣密度更高、篩查持續(xù)時間更長，有助于進行重復篩查，以檢測發(fā)作不太頻繁的房顫。然而，更長的篩查持續(xù)時間可能會導致下游檢測和假陽性相關的成本增加。

人群水平的房顫篩查在臨床上的有效性尚不確定。相關共識或指南對基于人群的房顫篩查持有不同的結論，歐洲、澳大利亞和新西蘭的心臟病學協(xié)會為≥65歲人群提供了使用脈搏觸診或心電圖節(jié)律條進行機會性篩查的Ⅰ級建議［25-26］。美國預防服務特別工作組認為，沒有足夠的證據支持或反對使用心電圖進行房顫篩查［27］。英國公共衛(wèi)生部致力于降低與房顫相關腦卒中的發(fā)生率，并大力推薦旨在通過促進可穿戴技術的應用來改善房顫檢測的舉措。然而英國國家健康與護理卓越研究所（The National Institute for Health and Care Excellence，NICE）在其最近的房顫診斷和管理指南（NG196）中并未推薦可穿戴技術。房顫協(xié)會是一家總部位于英國的慈善機構，致力于通過教育來提高公眾的房顫防治意識。該協(xié)會發(fā)布了一份“房顫白皮書”，支持使用經臨床驗證的基于心電圖的可穿戴設備，并表示擔心新的NICE建議會延誤房顫檢測時機［28］。Apple Heart研究表明，可穿戴設備及相關技術的應用擴大了房顫篩查人群的范圍［29］。STROKESTOP研究評估了使用手持單導聯心電圖儀對75～76歲患者進行系統(tǒng)性篩查的情況，顯示口服抗凝藥的應用使得缺血性腦卒中的發(fā)生率下降了24%［30］。SAFER（ISRCTN72104369）和HEARTLINE（NCT04276441）試驗招募了數十萬名≥65歲的初級保健患者，并進一步證明了使用可穿戴技術進行人群篩查的可行性和有效性［31］。KHURSHID等［32］使用包括5 000萬≥65歲的個體的綜合模擬模型，比較了無篩查與45種不同房顫篩查策略（包括使用可穿戴設備的策略）的臨床效果。研究結果顯示，預先使用敏感模式的策略（如單導聯心電圖、PPG），然后進行高度特異性測試以盡量減少假陽性診斷，對房顫篩查至關重要。一項隨機多中心研究顯示，使用動態(tài)心電圖進行大規(guī)模的房顫篩查的臨床效益高，可用于識別75～76歲患者的房顫［33］。ARONSSON等［34］通過對超過20億個不同的房顫模擬篩查程序進行檢驗和分析，以手持式心電圖機的診斷作為房顫診斷的金標準，結果表明，與一次性篩查相比，反復篩查可增加房顫患者的健康收益，且費用合理。MCINTYRE等［35］對≥80歲既往無房顫病史、無高血壓及其他腦卒中危險因素的門診受試者行連續(xù)心電監(jiān)測，結果顯示一周的監(jiān)測可能對腦卒中預防具有較好的成本效益。CHEN等［36］采用微觀模擬決策分析模型分析3 000萬名≥65歲的模擬個體，評估目前8種房顫篩查策略的成本效益，在所有6種可穿戴設備中，兩種基于PPG，4種基于心電圖。該研究結果顯示，與不篩查或使用傳統(tǒng)方法進行房顫篩查相比，使用可穿戴設備進行篩查成本效益更高，尤其是手腕佩戴的可穿戴設備，即使是對≥50歲具有腦卒中風險因素的普通人群進行房顫篩查，也可獲得較高的成本效益［36］。

房顫篩查有諸多益處，從臨床角度來說，可預防腦卒中、心力衰竭的發(fā)生，降低心血管疾病的死亡率；從生物學角度來說，可以逆轉心房重構、減緩疾病進展。臨床醫(yī)師要充分認識房顫篩查的益處，致力于提高民眾對房顫的認識。由于房顫發(fā)作的不可預測性以及可變性，基于機器學習和人工智能的心電圖分析、可穿戴設備等新技術為檢測和診斷房顫開辟了新的道路。這些創(chuàng)新可能有助于將來對房顫患者進行個體化治療和風險分層。

參考文獻

［1］ SAGRIS M，VARDAS EP，THEOFILIS P，et al. Atrial fibrillation：pathogenesis， predisposing factors， and genetics［J］. Int J Mol Sci，2021，23（1）：6. DOI：10.3390/ijms23010006.

［2］ MORIN DP， BERNARD ML， MADIAS C，et al. The state of the art： atrial fibrillation epidemiology， prevention，and treatment［J］. Mayo Clin Proc，2016， 91（12）：1778-1810.

［3］ KORNEJ J， BRSCHEL CS， BENJAMIN EJ，et al." Epidemiology of atrial fibrillation in the 21st century： novel methods and new insights［J］. Circ Res， 2020，127（1）：4-20.

［4］ HINDRICKS G，POTPARA T，DAGRES N，et al. 2020 ESC Guidelines for the diagnosis and management of atrial fibrillation developed in collaboration with the European Association for Cardio-Thoracic Surgery（EACTS）：the Task Force for the diagnosis and management of atrial fibrillation of the European Society of Cardiology（ESC） developed with the special contribution of the European Heart Rhythm Association（EHRA） of the ESC［J］. Eur Heart J，2021，42（5）：373-498.

［5］ WANG YJ，LI ZX，GU HQ，et al. China stroke statistics 2019：a report from the National Center for Healthcare Quality Management in Neurological Diseases， China National Clinical Research Center for Neurological Diseases， the Chinese Stroke Association， National Center for Chronic and Non-communicable Disease Control and Prevention， Chinese Center for Disease Control and Prevention and Institute for Global Neuroscience and Stroke Collaborations［J］. Stroke Vasc Neurol，2020，5（3）：211-239.

［6］ 孜拉來·艾尼瓦爾，周賢惠. 無癥狀性心房顫動檢測設備的研究進展［J］. 心血管病學進展，2022，43（7）：624-629.

［7］ BENJAMIN EJ，AL-KHATIB SM， DESVIGNE-NICKENS P，et al. Research priorities in the secondary prevention of atrial fibrillation： a national heart，lung，and blood institute virtual workshop report［J］. J Am Heart Assoc，2021，10（16）：e021566." DOI：10.1161/JAHA.121.021566.

［8］ ZHU H，CHENG C，YIN H，et al. Automatic multilabel electrocardiogram diagnosis of heart rhythm or conduction abnormalities with deep learning： a cohort study［J］. Lancet Digit Health，2020，2（7）：e348-e357.

［9］ LAGHARI AA，SUN Y，ALHUSSEIN M，et al. Deep residual-dense network based on bidirectional recurrent neural network for atrial fibrillation detection［J］. Sci Rep，2023，13（1）：15109. DOI：10.1038/s41598-023-40343-x.

［10］ HANNUN AY，RAJPURKAR P，HAGHPANAHI M，et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network［J］. Nat Med，2019，25（1）： 65-69.

［11］ LI X，CAI W， XU B，et al." SEResUTer：a deep learning approach for accurate ECG signal delineation and atrial fibrillation detection［J］. Physiol Meas， 2023，44（12）：125005. DOI：10.1088/1361-6579/ad02da.

［12］ RAMESH J，SOLATIDEHKORDI Z，ABURUKBA R，et al. Atrial fibrillation classification with smart wearables using short-term heart rate variability and deep convolutional neural networks［J］. Sensors（Basel），2021，21（21）：7233. DOI：10.3390/s21217233.

［13］ BAJ G，GANDIN I，SCAGNETTO A，et al. Comparison of discrimination and calibration performance of ECG-based machine learning models for prediction of new-onset atrial fibrillation［J］. BMC Med Res Methodol，2023，23（1）：169.DOI： 10.1186/s12874-023-01989-3.

［14］ RAGHUNATH S，PFEIFER JM，ULLOA-CERNA AE，et al. Deep neural networks can predict new-onset atrial fbrillation from the 12-lead ECG and help identify those at risk of atrial fbrillation-related stroke［J］. Circulation，2021，143（13）：1287-1298.

［15］ BAEK YS，LEE SC，CHOI W，et al. A new deep learning algorithm of 12-lead electrocardiogram for identifying atrial fibrillation during sinus rhythm［J］. Sci Rep，2021，11（1）：12818. DOI：10.1038/s41598-021-92172-5.

［16］ BAEK YS， KWON S，YOU SC，et al. Artificial intelligence-enhanced 12-lead electrocardiography for identifying atrial fibrillation during sinus rhythm（AIAFib） trial： protocol for a multicenter retrospective study［J］." Front Cardiovasc Med，2023，10：1258167. DOI：10.3389/fcvm.2023.1258167.

［17］ EL-SHERBINI AH，SHAH A，CHENG R，et al. Machine learning for predicting postoperative atrial fibrillation after cardiac surgery： a scoping review of current literature［J］. Am J Cardiol，2023，209（1）：66-75.

［18］ YUAN N， DUFFY G， DHRUVA SS， et al. Deep learning of electrocardiograms in sinus rhythm from US veterans to predict atrial fibrillation［J］. JAMA Cardiol，2023， 8（12）：1131-1139.

［19］ ERDENEBAYAR U， KIM H， PARK JU，et al." Automatic prediction of atrial fibrillation based on convolutional neural network using a short-term normal electrocardiogram signal［J］." J Korean Med Sci，2019，34（7）：e64. DOI：10.3346/jkms.2019.34.e64.

［20］ 國家圖書館研究院.中國互聯網絡信息中心發(fā)布第52次《中國互聯網絡發(fā)展狀況統(tǒng)計報告》［J］.國家圖書館學刊，2023，32（5）：13.

［21］ POH MZ，BATTISTI AJ，CHENG LF，et al. Validation of a deep learning algorithm for continuous，real-time detection of atrial fibrillation using a wrist-worn device in an ambulatory environment［J］. J Am Heart Assoc，2023，12（19）：e030543. DOI：10.1161/JAHA.123.030543.

［22］ LOPEZ PERALES CR，van SPALL HGC，MAEDA S，et al. Mobile health applications for the detection of atrial fibrillation： a systematic review［J］. Europace，2021， 23（1）：11-28.

［23］ CHEN E，JIANG J，SU R， et al. A new smart wristband equipped with an artificial intelligence algorithm to detect atrial fibrillation［J］. Heart Rhythm， 2020，17（5 Pt B）： 847-853.

［24］ UITTENBOGAART SB，VERBIEST-VAN GURP N，LUCASSEN WAM， et al." Opportunistic screening versus usual care for detection of atrial fibrillation in primary care：cluster randomised controlled trial［J］. BMJ，2020，370：m3208. DOI：10.1136/bmj.m3208.

［25］ HINDRICKS G，POTPARA T，DAGRES N，et al. 2020 ESC Guidelines for the diagnosis and management of atrial fibrillation developed in collaboration with the European Association for Cardio-Thoracic Surgery（EACTS）：the Task Force for the diagnosis and management of atrial fibrillation of the European Society of Cardiology（ESC） Developed with the special contribution of the European Heart Rhythm Association（EHRA） of the ESC［J］. Eur Heart J，2021，42（5）：373-498.

［26］ BRIEGER D，AMERENA J，ATTIA JR，et al. National Heart Foundation of Australia and Cardiac Society of Australia and New Zealand： Australian clinical guidelines for the diagnosis and management of atrial fibrillation 2018［J］. Med J Aust，2018，209（8）：356-362.

［27］ US PREVENTIVE SERVICES TASK FORCE， DAVIDSON KW， BARRY MJ， et al. Screening for atrial fibrillation：US Preventive Services Task Force Recommendation Statement［J］. JAMA，2022，327（4）：360-367.

［28］ BRIOSA E GALA A，POPE MT，LEO M，et al. NICE atrial fibrillation guideline snubs wearable technology：a missed opportunity？［J］. Clin Med（Lond），2022，22（1）：77-82.

［29］ CHEW DS，RENNERT-MAY E，SPACKMAN E， et al.

Cost-effectiveness of extended electrocardiogram monitoring for atrial fibrillation after stroke： a systematic review［J］. Stroke，2020，51（7）：2244-2248.

［30］ SVENNBERG E，FRIBERG L，FRYKMAN V，et al.Clinical outcomes in systematic screening for atrial fibrillation（STROKESTOP）：a multicentre，parallel group， unmasked， randomised controlled trial［J］. Lancet，2021，398（10310）：1498-1506.

［31］ PEPPLINKHUIZEN S，HOEKSEMA WF，van DER STUIJT W，et al. Accuracy and clinical relevance of the single-lead Apple Watch electrocardiogram to identify atrial fibrillation［J］. Cardiovasc Digit Health J，2022，3（6 Suppl）：S17-S22.

［32］ KHURSHID S， CHEN W， SINGER DE，et al. Comparative clinical effectiveness of population-based atrial fibrillation screening using contemporary modalities： a decision-analytic model［J］. J Am Heart Assoc，2021，10（18）：e020330. DOI： 10.1161/JAHA.120.020330.

［33］ SVENNBERG E， ENGDAHL J， AL-KHALILI F，et al. Mass screening for untreated atrial fibrillation：the STROKESTOP Study［J］. Circulation，2015，131（25）：2176-2184.

［34］ ARONSSON M，SVENNBERG E， ROSENQVIST M，et al." Designing an optimal screening program for unknown atrial fibrillation： a cost-effectiveness analysis［J］. Europace，2017，19（10）：1650-1656.

［35］ MCINTYRE WF， YONG JHE， SANDHU RK，et al. Prevalence of undiagnosed atrial fibrillation in elderly individuals and potential cost-effectiveness of non-invasive ambulatory electrocardiographic screening：the ASSERT-Ⅲ study［J］.J Electrocardiol，2020，58：56-60.

［36］ CHEN W，KHURSHID S，SINGER DE，et al. Cost-effectiveness of screening for atrial fibrillation using wearable devices［J］. JAMA Health Forum，2022，3（8）： e222419.DOI：10.1001/jamahealthforum.2022.2419.

（收稿日期： 2023-11-23）

（本文編輯： 陳海林）

基金項目： 新疆區(qū)域胸痛中心無創(chuàng)心電網絡系統(tǒng)協(xié)同救治信息管理平臺開發(fā)與應用項目（2021E02051）

作者單位： 830001新疆 烏魯木齊，新疆維吾爾自治區(qū)人民醫(yī)院心臟及泛血管醫(yī)學診療中心心電學科

作者簡介： 王芳麗，住院醫(yī)師，主要從事心電學研究。

通信作者： 馮艷，E-mail： 24243533@qq.com