人工智能心電監測在心律失常檢測中的應用價值

李方江 張愛愛 張鵬祥 王曉元 李飛星 陶冬

心律失常是院內心血管疾病常見的死亡原因之一，全世界因心律失常誘發突發性心臟驟停，其死亡的患者占所有由于心血管疾病死亡患者的1/2[1,2]，而運動性心律失常最終導致運動員心臟性猝死發病率是正常人群的2.4倍[3,4]。以心房顫動為例，尤其是陣發性心房顫動，心電圖仍舊為診斷的核心方法，目前臨床上對心律失常的診斷多依賴于常規十二導聯心電圖及24 h動態心電圖(Holter)，以提供心電監測，短時間的心電圖操作時間短，只能捕捉當下患者的心律狀態，常常導致心律失常的漏診；床邊心電監護儀具有價格昂貴、體積大、需要電源接線等特點，并且臨床上主要用于醫院危重患者的床邊監護；而患者及運動愛好者使用Holter時需要攜帶電極片、導線和儀器，不僅影響生活而且易受干擾，后續數據處理繁瑣且部分診斷準確性不高，導致大規模使用受限[5,6]。隨著計算機智能技術飛速發展，人工智能(artificial intelligence，AI)科技及包括可穿戴式設備在內的許多其他輔助技術，對心律失常的診斷提供了強有力的依據[7]。AI算法可以從海量的數據庫中直接學習，無需特殊人為編程且可及時預警，這一特點在心血管領域對疾病診斷、分類、風險分層、健康監測及最佳治療方案的選擇中都具有強大的潛力，且其對于心電數據往往比醫師有著更高的靈敏度，能夠發現醫師不能發現和理解的地方[8]。因此我院與深圳源動創新科技有限公司團隊合作，佩戴AI-ECG動態心電記錄儀，旨在探討AI-ECG對心律失常檢測的臨床應用價值，幫助早期診斷，及時預警惡性心律失常的發生更加高效準確地完成臨床指導工作，降低心血管疾病發作的病死率。

1 資料與方法

1.1 一般資料 選擇2020年4月至2021年3月于心內科就診的1 240例患者，包括門診520例，住院720例;其中男610例,女630例；年齡28～96歲，平均年齡(38.1±10.6)歲。同時佩戴AI-ECG及常規24 h動態心電圖收集心律失常樣本。并根據臨床心律失常分類，將本課題研究對象分為竇性心律失常組(n=386)、房性心律失常組(n=282)、房室交界區性心律失常組(n=248)、室性心律失常組(n=180)、心臟傳導阻滯組(n=144)。

1.2 納入與排除標準

1.2.1 納入標準：心電檢查及其診斷均須符合《內科學》標準要求。所有相關臨床檢測資料須征得患者及其家屬的知情同意，并獲得醫學倫理委員會統一批準。

1.2.2 排除標準：嚴重多臟器功能衰竭、心血管疾病終末期、甲狀腺功能亢進、神經系統疾病及因嚴重精神功能障礙或言語溝通障礙不能及時配合完成臨床觀察的患者。

1.3 方法

1.3.1 數據采集方法:①本研究AI-ECG組使用由深圳源動創新科技有限公司生產的ER1動態心電記錄儀，基于深度學習算法(卷積神經網絡)的先進心電圖分析引擎來自動提取患者心電圖，ER1動態心電記錄儀可以長時間佩戴，采集的心電數據通過USB上傳至PC端并發送至樂普醫AI-ECGPlatform平臺分析，同時實時監護分析團隊將會對患者的數據進行分析與審核，最終將報告再回傳至醫生，客戶端為后續的治療方案提供依據，此產品佩戴時不影響美觀，同時也不影響用戶的活動，增強其適應性及抗干擾性。

②Holter組采用普通24 h動態心電圖進行診斷，由2位專業心血管內科醫生及心電圖專業醫師根據心電圖對受試者的心律信息做出診斷，若診斷結果一致，則作為診斷標準，若不一致則提交3名心電臨床專家復核，3位專家的一致性結果作為診斷標準。

1.3.2 電極佩戴方式:本研究使用的AI-ECG設備有兩種佩戴方式：心電電極佩戴方式：R端朝右邊，高于左邊，軸線和肩部斜線平行，R端距離鎖骨切跡<2 cm；胸帶佩戴方式：心貼在胸骨下方的中間位置，無需心電電極片，本實驗研究采取胸帶佩戴方式。

1.4 觀察指標 觀察心電圖處理時間、心律失常陽性檢測率、人工智能心電監測就預警次數和實際發生預警資料，評估人工智能心電監測為金標準對比研究的有效性。

2 結果

2.1 2組心電圖處理時間比較 AI-ECG組心電圖處理時間低于Holter組，差異有統計學意義(P<0.01)。見表1。

表1 2組心電圖處理時間比較

2.2 2組心律失常陽性診斷情況的比較 AI-ECG組心律失常檢測的陽性率可達68.87%(854/1 240)，顯著高于Holter組檢測的38.87%(482/1 240)，差異有統計學意義(P<0.05)。且在不同檢測類型的心律失常患者中，AI-ECG組心電設備對心律失常的陽性率診斷率均顯著高于常規Holter組，差異有統計學意義(P<0.05)。見表2。

表2 2組心律失常陽性診斷情況比較 例(%)

2.3 AI監測實際發生預警情況和應預警情況比較 AI實際發生預警的有效率與實際應預警的有效率 分別為93.51% (360/385)和92.43%(220/238)；2組有效率比較，差異無統計學意義(P>0.05)。見表3。

表3 AI-ECG監測實際發生預警情況和應預警情況比較 次(%)

2.4 2組滿意率比較 AI-ECG組滿意率為(95.16%)，明顯高于Holter組滿意率(80.65%)，差異有統計學意義(P<0.01)。見表4。

2.5 預警器預警 實時監護中通過預警器預警發現危及生命的惡性心律失常105例，及時通知醫生及用戶給予有效的干預措施，搶救成功97例。見圖3、4。

表4 AI-ECG組與Holter組滿意情況 n=1 240,例(%)

圖3 入院后用戶佩戴AI-ECG，在監護過程中出現長間歇，自動報警，均立即通知病房給予相應處理;次日在遠程心電監護下為患者行永久性起搏器植入術

圖4 入院后佩戴AI-ECG，監護過程中出現室性心動過速 (自動報警)，立即通知醫生給予心肺復蘇、電除顫、藥物搶救

3 討論

運動性心律失常影響運動員的比賽成績以及后期的系統性訓練，更嚴重還可能導致身體健康受到嚴重危害，尤其對于耐力性運動員和從事過高強度、大運動量訓練的運動員[1]。研究表明，發生心房纖顫與心房撲動的概率明顯高于其他項目運動員[9]。運動性猝死發生的主要原因80%與心血管疾病有關，其中90%以上的原因是由于心律失常所致[10-12]。研究發現，心臟性猝死事件一旦發生，其救治成功率低、病死率高，在我國心臟猝死的救治成功率低于1%，而在美國也僅僅達到8%～10%[12-14]。因此如何提高心臟性猝死的救治成功率是目前心臟運動醫學領域亟待解決的問題之一。本課題開展了AI-ECG對臨床心律失常診斷有效性的評估。

AI-ECG具有體積小、重量輕、抗干擾能力強、不影響運動，可實現實時、遠程、全程監測和GSM網絡傳輸。實現及時預警、早期救治、減少并發癥、提高生活質量，建立監測-預警-救治-康復四位一體的三級預防體系。

本研究結果顯示，AI-ECG對于心電圖處理時間與常規holter比較，差異有統計學意義(P<0.01)；并且本研究將AI-ECG應用于心律失常患者，結果顯示，AI-ECG實際發生預警的有效率與實際應該預警的有效率進行比較，差異無統計學意義(P>0.05)，通過上述結果表明AI-ECG與傳統Holter相比對臨床心律失常患者應用有效，能穩定的提供準確的實時心電圖數據，捕捉具有重要臨床意義的心臟電生理數據。此結果與近5年內若干項 AI 與心律失常的研相一致，這些研究都描述了AI通過建立深度神經網絡(deepneural network，DNN)，能夠經驗性地找出輸入數據(心電圖)和輸出數據(診斷)之間的關系，一旦這種關系確立，AI 就可以高敏感性、高準確性地給出診斷[15,16]。AI表現出相較于人類更高的效率、速率及客觀性，利用計算機分析所測量心電圖數據的精度可達人工測量精度10倍[16,17]。同樣Hannun等[18]研究證實DNN的AUC達到0.97，DNN(0.837)的調和平均值超過了普通心臟病學家(0.780)。本研究對1 240 例研究者同時采用AI-ECG檢測及Holter檢測，通過將研究對象分為上述5大類心律失常事件，研究結果表明AI-ECG對心律失常的陽性診斷率顯著高于Holte檢測，AI-ECG動態心電算法對患者心律失常的陽性診斷率可達68.87%(854/1 240)，顯著高于Hotel檢測的陽性率38.87%(482/1 240)，差異有統計學意義(P<0.05)；且在5大不同類型的心律失常診斷事件中，AI-ECG對心律失常的陽性診斷率均顯著高于Holter組，差異有統計學意義(P<0.05)，此結果表明AI 能夠找到其中某些人眼不可見的微小的心電異常，但這些異常往往包含了大量的信息，其中包括心律失常、心臟結構變化在內的許多病理改變。大量研究結果也證實AI 能單純收集大量信息，自我學習，而不需要進一步編程或數據預處理的，使其在處理大量心電圖時有著極佳的優勢，并在普通動態心電圖的基礎上提高臨床診斷的準確性[15-17]。Attia等[19]利用AI分析了454 789例已有明確診斷的10 s十二導聯心電圖數據，構建了卷積神經網絡。該算法能夠在正常竇性心電圖中發現與心房纖顫史或者即將發生心房纖顫有關的心房結構的改變。上述結果均證實AI預測潛在的心律失常，AI 能夠自動通過大數據進行自我學習，并且給出準確的診斷結果，因此具有巨大的應用潛力，與該課題研究結果相一致。心內科患者多病情早期變化快、病情重、猝死率高，使用 AI 分析心電圖，對于包括心律失常在內的許多心臟疾病可能具有極高的診斷潛力。而此時心電圖危急值的發生常常優先于心血管疾病患者早期臨床癥狀出現，此時的智能識別及時的心電預警就為臨床心內科醫師對患者的早期病情評估及診斷提供了重要臨床信息，從而為其贏得更充分的臨床救治時間，提高心血管疾病臨床診的治率，在臨床心律失常應用中具有潛力[20,21]。AI除了對心律失常的診斷有作用外，其還可評估檢測多種心血管方面的指標，如血藥濃度、電解質紊亂，也可以對冠心病做出高精確的診斷[22-24]，甚至可以在無癥狀患者中僅僅使用心電圖就能篩選出左心室射血分數<35%的患者，且診斷的ROC可達0.93[25,26]。更有研究發現，僅通過十二導聯心電圖，AI就能夠高準確性地預測出患者的性別與年齡[27]，進一步證明了心電圖不僅包含了心律失常還包含大量與心臟有關的信息，使用AI分析心電圖，對于包括心律失常在內的許多心臟相關疾病將會具有很大的運用潛力。

綜上所述，本研究探討AI-ECG對心律失常檢測的臨床價值，盡管AI方法目前尚未大規模應用于心律失常的輔助診斷，但其無需特殊人為編程，能高精度的自我學習并進行分類，使得心律失常的誤診率和漏診率降到最低，提高高危心律失常的處理速度，最大限度幫助診斷和治療心律失常，預防并發癥和改善預后。