［摘要］ 心房顫動（簡稱房顫）是最常見的心律失常，并可能引起多種并發(fā)癥，因此需要借助精準(zhǔn)醫(yī)學(xué)方法來識別和加強(qiáng)房顫檢測，從而實現(xiàn)及早診斷和治療?；谌斯ぶ悄艿目纱┐髟O(shè)備對房顫患者的篩查與管理具有重要價值，本文綜述了近年來這類設(shè)備應(yīng)用于房顫篩查的相關(guān)文獻(xiàn)。

［關(guān)鍵詞］ 心房顫動； 人工智能； 深度學(xué)習(xí)； 卷積神經(jīng)網(wǎng)絡(luò)； 可穿戴設(shè)備

［中圖分類號］ R541.75

［文獻(xiàn)標(biāo)志碼］ A

［文章編號］ 2095-9354（2024）02-0191-04

DOI：10.13308/j.issn.2095-9354.2024.02.016

［引用格式］ 穆耶賽爾·麥麥提明，劉惠娟，王芳麗，等. 基于人工智能的可穿戴設(shè)備在心房顫動篩查中的應(yīng)用［J］. 實用心電學(xué)雜志， 2024， 33（2）： 191-194.

Application of artificial intelligence-based wearable devices in screening" atrial fibrillation

MAIMAITIMING Muyesaier， LIU Huijuan， WANG Fangli， FENG Yan （Department of

Electrocardiology， Xinjiang Uygur Autonomous Region People’s Hospital， Urumqi Xinjiang

830001， China）

［Abstract］ Atrial fibrillation （AF） is the most common arrhythmia and may easily lead to various complications. Therefore， precision medical methods are needed to identify and enhance AF detection to achieve early diagnosis and treatment. Artificial intelligence-based wearable devices are of great value for the screening and management of AF patients. This article reviews the relevant literature on recent applications of such devices for AF screening.

［Key words］ atrial fibrillation; artificial intelligence; deep learning; convolutional neural network; wearable device

隨著人口老齡化和社會城鎮(zhèn)化步伐的加快，我國居民面臨飲食習(xí)慣的改變、運動量的減少、環(huán)境污染的加劇以及生活壓力的增加，這些因素共同推動了心血管疾病的發(fā)病率和患病率的持續(xù)上升。心房顫動（簡稱房顫）是最常見的心律失常，近年來其患病率增長了近20倍［1］。陣發(fā)性房顫發(fā)作間期，患者的心電圖表現(xiàn)正常，容易導(dǎo)致診斷延誤；房顫還可表現(xiàn)為輕微或無臨床癥狀，也增加了篩查難度。由于房顫會使腦卒中風(fēng)險增加5倍［2］，因此，早期發(fā)現(xiàn)和診斷房顫具有重要的臨床意義。近年來，可穿戴式電子健康監(jiān)測設(shè)備發(fā)展迅速，其利用人工智能系統(tǒng)識別不均勻和不規(guī)則的心搏及心律失常模式，能夠輔助房顫檢測。由于它設(shè)計簡單直觀，患者和衛(wèi)生專業(yè)人員都可以輕松使用。可穿戴設(shè)備采集心電圖后，利用人工智能卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）算法協(xié)助醫(yī)師對心電圖進(jìn)行預(yù)測或診斷［3］，因此能及早診斷無癥狀或發(fā)作間期較短的陣發(fā)性房顫，并通知患者盡快就診，從而有助于降低住院率、發(fā)病率和死亡率［4］。

1 房顫

房顫是成年人中最常見的心律失常，未來30年其患病率預(yù)計將增長3倍［5］。房顫的發(fā)病率和死亡率對醫(yī)療效率和成本有重大影響?；谶@些考慮，醫(yī)師都應(yīng)該了解目前房顫的篩查和管理情況。房顫的主要危險因素有年齡、種族、性別等，且其發(fā)病率隨著年齡的增長而升高［5］。最常見的可增加房顫發(fā)病風(fēng)險的可改變因素包括充血性心力衰竭、高血壓、糖尿病、肥胖、過度飲酒和阻塞性睡眠呼吸暫停綜合征，這些因素單獨或聯(lián)合促進(jìn)了房顫發(fā)生和發(fā)展；房顫和這些因素時常伴發(fā)于同一個體，并且相互促進(jìn)和影響［6］。及早診斷房顫并采取心律控制措施，能有效預(yù)防腦卒中、心力衰竭惡化、心肌梗死和過早死亡等并發(fā)癥［7］。迄今為止，房顫治療方法已取得了一定進(jìn)展，但費用負(fù)擔(dān)很高，因此，早期發(fā)現(xiàn)房顫是關(guān)鍵。

2 可穿戴設(shè)備在房顫中的應(yīng)用

在過去10年中，對房顫的認(rèn)識和檢測水平有所提高［8］，但仍難以發(fā)現(xiàn)或確診部分陣發(fā)性房顫。盡管長程監(jiān)測對陣發(fā)性房顫的檢測具有一定優(yōu)勢，但篩查成本高且陽性率較低。隨著人們健康觀念的增強(qiáng)，可穿戴設(shè)備作為一種新興的健康監(jiān)測方式受到了廣泛關(guān)注［9］。相比于傳統(tǒng)的24 h動態(tài)心電圖，可穿戴設(shè)備在檢測陣發(fā)性房顫方面具有更高的效能，這對于房顫的預(yù)防和管理具有重要意義

［10］。而可穿戴設(shè)備相關(guān)支撐技術(shù)的快速發(fā)展，也為房顫綜合管理提供了支持。智能手機(jī)配合可穿戴設(shè)備使用，能夠在不影響使用者正常生活和工作的情況下進(jìn)行健康數(shù)據(jù)監(jiān)測，并自動傳輸數(shù)據(jù)至中心大數(shù)據(jù)云平臺；然后，經(jīng)過算法分析，將相關(guān)健康信息及時反饋給使用者和醫(yī)師。得益于可穿戴設(shè)備的運用，個人乃至群體健康相關(guān)的連續(xù)數(shù)據(jù)都能即時收集，醫(yī)師也能對患者進(jìn)行快速的遠(yuǎn)程診斷，檢查流程得以簡化，而對患者健康狀況的持續(xù)監(jiān)測也進(jìn)一步改善了醫(yī)療效果［11］。

目前市場上主要有三類可穿戴設(shè)備：第一類是基于光電容積脈搏波（photoplethysmography，PPG）描記法的可穿戴設(shè)備［12］，如手表或腕帶、臂帶、指帶和耳垂傳感器等；第二類是基于心電圖的可穿戴設(shè)備，如貼片、胸帶和無線記錄器等；第三類是基于脈沖可變性（mechanocardiography，MCG）［13］的可穿戴設(shè)備，如血壓計等。它們通過內(nèi)置傳感器采集生理參數(shù)（如心率、心律、血壓及運動狀態(tài)等），并將這些數(shù)據(jù)通過無線通信技術(shù)傳輸?shù)皆破脚_，再利用智能心電分析算法進(jìn)行處理和分析，從而實現(xiàn)房顫的自動診斷［14］。

2.1 PPG技術(shù)在房顫檢測中的應(yīng)用

PPG作為一種光學(xué)測量技術(shù)，通過記錄與心搏同步的外周血管床的血容量變化來描記容積［12］。該技術(shù)關(guān)注基線血流量和低頻因素，包括呼吸、交感神經(jīng)系統(tǒng)和體溫調(diào)節(jié)，也可以檢測出心率和節(jié)律異常，但其精度與設(shè)備廠商、傳感器位置及個體差異等因素相關(guān)［15］。PPG是一種非侵入性技術(shù)，也是一種新興的可穿戴技術(shù)，其隨著智能手表的日益普及而受到歡迎?；赑PG的可穿戴設(shè)備因操作簡單、價格低廉等特點，成為普及度最高的房顫篩查工具之一。TALUKDAR等［16］的研究驗證了機(jī)器學(xué)習(xí)算法從PPG信號中檢測房顫的可行性，且顯示其檢測準(zhǔn)確性很高，為房顫的監(jiān)測提供了非侵入性、簡便的工具。

2.2 心電圖技術(shù)在房顫診斷中的應(yīng)用

基于心電圖的可穿戴設(shè)備是目前診斷房顫最準(zhǔn)確的方法之一，

其精度相對較高，達(dá)到95%以上［15］。

記錄心電圖可以使用不同數(shù)量的電極，電極數(shù)量越多，所搜集到的信息分辨率就越高。單電極心電圖能夠在身體的不同部位進(jìn)行測量。然而，由于基于心電圖的可穿戴設(shè)備通常價格較高、操作復(fù)雜，

因此尚未在臨床廣泛應(yīng)用。

2.3 MCG技術(shù)在房顫檢測中的應(yīng)用

MCG技術(shù)是一種測量心臟機(jī)械振動的方法，可以直接測量心臟收縮和舒張時產(chǎn)生的機(jī)械能信號。智能手機(jī)MCG設(shè)備可通過其內(nèi)置傳感器將心律波動情況反映在心機(jī)械圖上，傳感器各個方向記錄的信號中規(guī)則者為竇性心律，不規(guī)則者為房顫［15］。雖然MCG技術(shù)在房顫篩查方面的應(yīng)用較少，但也有其獨特優(yōu)勢。智能手機(jī)MCG設(shè)備可以為房顫監(jiān)測提供實用且經(jīng)濟(jì)高效的方案，從而實現(xiàn)房顫的大規(guī)模檢測，并進(jìn)一步提高房顫篩查和監(jiān)測的可靠性［17-18］。

近年來，隨著心律監(jiān)測技術(shù)的迅速迭代，房顫等異常心律的檢測能力不斷提高。目前市場上有超過400種可穿戴設(shè)備，不僅能持續(xù)監(jiān)測心率變化，而且還能有效檢測房顫的發(fā)生［19］。經(jīng)過臨床驗證的移動醫(yī)療技術(shù)包括手持式或智能手機(jī)單導(dǎo)聯(lián)心電圖記錄儀、智能手表單導(dǎo)聯(lián)心電圖記錄儀、PPG智能手表或智能手機(jī)、心電圖貼片監(jiān)測儀、血壓監(jiān)測儀和外置Holter監(jiān)測儀，而根據(jù)可穿戴設(shè)備及其內(nèi)置傳感器技術(shù)的不同，房顫自動檢測算法的準(zhǔn)確性也會有所差異［20］。但只要選準(zhǔn)了合適的目標(biāo)篩查群體，上述移動醫(yī)療技術(shù)就有望擁有廣闊的應(yīng)用前景。

3 人工智能在房顫篩查中的應(yīng)用

房顫在出現(xiàn)并發(fā)癥前可能未被發(fā)現(xiàn)［7］，但在人工智能技術(shù)的賦能下，房顫檢出率可能大大提高。人工智能也被稱為機(jī)器智能，包括深度學(xué)習(xí)和機(jī)器學(xué)習(xí)算法，其中深度學(xué)習(xí)在醫(yī)學(xué)圖像分析與預(yù)測方面展示出巨大潛力。人工智能利用算法構(gòu)建模型，從大量心電圖中學(xué)習(xí)并提取特征，從而對心電圖進(jìn)行自動診斷［20］。近年來，隨著訓(xùn)練數(shù)據(jù)量的增加，

人工智能模型的心電圖自動診斷

性能顯著提高［21］。常見的深度學(xué)習(xí)模型CNN特別適用于對心電圖數(shù)據(jù)進(jìn)行解讀［22］。

陣發(fā)性房顫的診斷依賴于發(fā)作時的心電圖，但在房顫發(fā)生前心房結(jié)構(gòu)可能已經(jīng)出現(xiàn)改變（如心肌肥大、纖維化等）而導(dǎo)致微弱的心電變化，并表現(xiàn)在心電圖上，但這種表現(xiàn)很難被人眼覺察出來。MKYNEN等［23］的研究展示了利用人工智能技術(shù)，能夠從正常節(jié)律的心電圖中識別出即將發(fā)生的房顫，從而為早期干預(yù)和診斷房顫提供了新的可能。

HANNUN等［24］利用單導(dǎo)聯(lián)動態(tài)心電圖監(jiān)測設(shè)備，收集了53 877例患者的 91 232份心電圖數(shù)據(jù)，并輸入CNN進(jìn)行分析，創(chuàng)建了一個能夠分類12種不同心律的模型；CNN模型識別這些節(jié)律的ROC曲線下面積（area under curve， AUC）達(dá)0.91，并且CNN模型對包括房顫在內(nèi)的所有12種心臟節(jié)律的診斷都優(yōu)于心臟病專家。CNN模型正越來越多地用于可穿戴設(shè)備，其在房顫篩查中的可行性、高敏感性和高特異性也逐步得到驗證。2019年美國梅奧醫(yī)學(xué)中心的ATTIA等［25］采用CNN對12導(dǎo)聯(lián)心電圖進(jìn)行分析，將至少有一個房顫或心房撲動節(jié)律的心電圖標(biāo)記為陽性，結(jié)果測試數(shù)據(jù)集中8.4%的患者被證實有房顫；該算法在一份心電圖上的診斷表現(xiàn)如下：AUC為0.87，敏感性為79.0%，特異性為79.5%，F(xiàn)1得分為39.2%，總體準(zhǔn)確率為79.4%。如果將每位患者首次記錄到的房顫心電圖前31 d內(nèi)的所有心電圖都考慮進(jìn)去，則AUC可提高至0.90，敏感性可提高至82.3%，特異性可提高至83.4%，F(xiàn)1得分可提高至45.4%，總體準(zhǔn)確率可提高至83.3%。HIROTA等

［26］從一家?？菩呐K醫(yī)院數(shù)據(jù)庫中篩選出12 863份顯示正常竇性心律的指數(shù)心電圖，排除了房顫、其他房性心律失常、起搏器引發(fā)的節(jié)律和結(jié)構(gòu)性心臟病患者后，他們基于MUSE數(shù)據(jù)管理系統(tǒng)的438個自動測量心電圖參數(shù)，利用隨機(jī)森林算法開發(fā)了模型，并采用10折交叉驗證方法對模型進(jìn)行評估。結(jié)果顯示，在12 863份正常竇性心律的指數(shù)心電圖中，對于目前陣發(fā)性房顫（1 131例）和新發(fā)房顫（98例），模型在訓(xùn)練和測試數(shù)據(jù)集上的c-統(tǒng)計量均表現(xiàn)出高度準(zhǔn)確性，而且P波、QRS波和ST-T段的參數(shù)重要性分布在當(dāng)前和新發(fā)生的房顫模型中基本相似。這項研究為了解心電圖參數(shù)與房顫之間的關(guān)系提供了全景信息，也提示

心電圖參數(shù)P波、QRS波和ST-T

預(yù)測房顫的重要性相當(dāng)［26］。一項來自美國格伊辛格衛(wèi)生系統(tǒng)的研究利用1984至2019年收集的430 000例患者的心電圖對人工智能模型進(jìn)行訓(xùn)練，并在沒有房顫病史的患者中預(yù)測房顫發(fā)生風(fēng)險［21］。該模型可預(yù)測心電圖檢查后1年內(nèi)發(fā)生的房顫，其ROC-AUC和precision-recall曲線的AUC分別為0.85和0.22。研究者使用上述模型對2010至2014年腦卒中登記系統(tǒng)中的心電圖數(shù)據(jù)進(jìn)行了測試，結(jié)果顯示該模型預(yù)測1年內(nèi)新發(fā)房顫的敏感性為69%，特異性為81%［21］。人工智能心電圖作為一種低成本的篩查手段，可以根據(jù)房顫未發(fā)作時獲得的竇性心律心電圖識別陣發(fā)性房顫。上述研究提示，人工智能與心電圖分析技術(shù)相結(jié)合，可以提高

房顫識別的準(zhǔn)確率，即使記錄心電圖時房顫尚未發(fā)作，人工智能模型也能根據(jù)細(xì)微的心電變化篩查出潛在的房顫高危患者。

4 小結(jié)

房顫是導(dǎo)致嚴(yán)重心血管并發(fā)癥的主要因素之一，早期識別和管理對于預(yù)防這些并發(fā)癥至關(guān)重要。本文討論了基于人工智能的可穿戴設(shè)備在房顫篩查中的應(yīng)用，強(qiáng)調(diào)了這些設(shè)備在提高房顫檢出率、方便性以及經(jīng)濟(jì)性方面的潛力。隨著人工智能技術(shù)的進(jìn)步，結(jié)合持續(xù)的健康監(jiān)測，這些設(shè)備不僅能提高房顫的及時發(fā)現(xiàn)率，還有助于簡化和優(yōu)化房顫的篩查和管理過程。此外，這些技術(shù)的進(jìn)一步發(fā)展可能對心血管疾病的預(yù)防和管理帶來重大影響。

參考文獻(xiàn)

［1］ 鄧丹丹，朱蓓，侯莉.心房顫動的流行病學(xué)及預(yù)防措施［J］.中國臨床保健雜志，2021，24（6）：737-741.

［2］ PEREZ MV， MAHAFFEY KW， HEDLIN H， et al. Large-scale assessment of a smartwatch to identify atrial fibrillation［J］. N Engl J Med， 2019， 381（20）： 1909-1917.

［3］ VOLPATO L， DEL RO CARRAL M， SENN N， et al. General practitioners’ perceptions of the use of wearable electronic health monitoring devices： qualitative analysis of risks and benefits［J］. JMIR Mhealth Uhealth， 2021， 9（8）： e23896. DOI：10.2196/23896.

［4］ KORNEJ J， BORSCHEL 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.

［5］ MURTHY SB， ZHANG C， DIAZ I， et al. Association between intracerebral hemorrhage and subsequent arterial ischemic events in participants from 4 population-based cohort studies［J］. JAMA Neurol， 2021， 78（7）： 809-816.

［6］ ELLIOTT AD， MIDDELDORP ME， van GELDER IC， et al. Epidemiology and modifiable risk factors for atrial fibrillation［J］. Nat Rev Cardiol， 2023， 20（6）： 404-417.

［7］ 楊美霞.心臟康復(fù)干預(yù)對老年性心力衰竭患者及急性心肌梗死患者心理狀態(tài)和并發(fā)癥的影響研究［J］.中國實用醫(yī)藥，2021，16（36）：198-201.

［8］ 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.

［9］ 羅啟華. 以用戶為中心的老年人可穿戴運動健康監(jiān)護(hù)產(chǎn)品設(shè)計研究［D］. 廣州：廣東工業(yè)大學(xué)， 2015.

［10］ LUBITZ SA， FARANESH AZ， SELVAGGI C， et al. Detection of atrial fibrillation in a large population using wearable devices： the fitbit heart study［J］. Circulation， 2022， 146（19）：1415-1424.

［11］ 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.

［12］ GEORGIEVA-TSANEVA G， GOSPODINOVA E， CHESHMEDZHIEV K. Cardiodiagnostics based on photoplethysmographic signals［J］. Diagnostics （Basel）， 2022， 12（2）：412. DOI： 10.3390/diagnostics12020412.

［13］ KOIVISTO T， LAHDENOJA O， HURNANEN T， et al. Mechanocardiography in the detection of acute ST elevation myocardial infarction： the MECHANO-STEMI Study［J］. Sensors （Basel）， 2022， 22（12）：4384. DOI： 10.3390/s22124384.

［14］ 趙毅飛. 基于Android可穿戴生理參數(shù)檢測系統(tǒng)的設(shè)計與實現(xiàn)［D］. 長春：長春理工大學(xué)，2021.

［15］ 余超，周偉，王濤，等.可穿戴設(shè)備支持心房顫動人群篩查與管理研究進(jìn)展［J］.中國全科醫(yī)學(xué)，2023，26（1）：113-117.

［16］ TALUKDAR D， de DEUS LF， SEHGAL N. Evaluation of atrial fibrillation detection in short-term photoplethysmography （PPG） signals using artificial intelligence［J］. Cureus， 2023，15（9）： e45111. DOI： 10.7759/cureus.45111.

［17］ MEHRANG S， JAFARI TADI M， KNUUTILA T， et al. End-to-end sensor fusion and classification of atrial fibrillation using deep neural networks and smartphone mechanocardiography［J］. Physiol Meas， 2022， 43（5）： 055004. DOI： 10.1088/1361-6579/ac66ba.

［18］ JUSSI J， SAMULI J， OLLI L， et al. Mobile phone detection of atrial fibrillation with mechanocardiography： the MODE-AF Study （Mobile Phone Detection of Atrial Fibrillation）［J］. Circulation， 2018，137（14）： 1524-1527.

［19］ 王紅宇. 可穿戴移動心電監(jiān)測設(shè)備自助模式的應(yīng)用與進(jìn)展［J］. 實用心電學(xué)雜志，2020，29（4）：253-255.

［20］ 余超， 周偉， 王濤， 等．可穿戴設(shè)備支持心房顫動人群篩查與管理研究進(jìn)展［J］．中國全科醫(yī)學(xué)，2023，26（1）：113-117

［21］ SNCHEZ de la NAVA AM， ATIENZA F， BERMEJO J， et al. Artificial intelligence for a personalized diagnosis and treatment of atrial fibrillation［J］. Am J Physiol Heart Circ Physiol， 2021， 320（4）： H1337-H1347.

［22］ FABRITZ L， OBERGASSEL J. Artificial intelligence for early atrial fibrillation detection［J］. Lancet， 2022， 400（10359）： 1173-1175.

［23］ MKYNEN M，NG GA， LI X， et al. Wearable devices combined with artificial intelligence： a future technology for atrial fibrillation detection？［J］. Sensors （Basel）， 2022， 23（18）：7972. DOI： 10.3390/s23187972.

［24］ 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.

［25］ ATTIA ZI， NOSEWORTHY PA， LOPEZ-JIMENEZ F， et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm： a retrospective analysis of outcome prediction［J］. Lancet， 2019， 394（10201）： 861-867.

［26］ HIROTA N， SUZUKI S， MOTOGI J， et al. Identification of patients with dilated phase of hypertrophic cardiomyopathy using a convolutional neural network applied to multiple， dual， and single lead electrocardiograms［J］. Int J Cardiol Heart Vasc， 2023， 46： 101211. DOI： 10.1016/j.ijcha.2023.101211.

（收稿日期： 2023-09-19）

（本文編輯： 顧艷）

基金項目： 新疆維吾爾自治區(qū)科技支疆項目（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)院心電學(xué)科

作者簡介："" 穆耶賽爾·麥麥提明，住院醫(yī)師，主要從事高血壓、心律失常相關(guān)研究。

通信作者："" 馮艷，E-mail： 24243533@qq.com