機器學習在心房顫動篩查和管理中的應用進展

黃艷，鄧琪，曹麗萍，范詠梅，肖春霞

心房顫動（atrial fibrillation，AF）是臨床最常見的心律失常類型，其不規則的心臟節律可引起急性腦卒中等嚴重并發癥。據估計，在美國有近60萬的AF未確診，醫療費用負擔約31億美元，且超過一半的患者存在卒中中高風險［1］；我國≥35歲居民AF患病率為0.7%，其中新發AF約占34.0%［2］。早期診斷并對有血栓栓塞危險因素的患者進行抗凝治療可有效降低其急性腦卒中發生風險。因此，《2016歐洲心臟病學會心房顫動管理指南》建議，年齡＞65歲的患者均需要機會性篩查AF［3］。盡管如此，仍有許多患者在血栓栓塞事件發生后才被診斷為AF［4-5］。

人工智能（artificial intelligence，AI）提出至今已有60多年歷史［6］，且過去10年其開始有了迅速發展。機器學習（machine learning，ML）是AI的一種方法，近年隨著AI進入醫療領域，ML在幫助醫療人員優化個性化治療方案方面取得明顯進展。研究表明，ML可以幫助臨床醫生識別AF高危人群，進而減少血栓栓塞事件發生風險并改善患者預后［7］。本文主要綜述了ML在AF篩查和管理中的應用進展，旨在提高臨床醫生對ML的認識。

1 ML方法

AI指通過計算機等技術獨立處理數據并得出結論的能力，通常這些能力需要人類的認知功能［8］，且輸入數據時要求機器可讀，最好是高度結構化的形式。傳統的AI方法（如監督ML）已經使用幾十年，包括隨機森林和支持向量機等算法。監督ML需要表格數據來檢測參數的模式（如年齡、校正QT時間或心率變異性等），可以檢測數據的線性和非線性關系，但其需要依賴人工操作員標記數據和選擇輸入變量。相反，無監督ML指在沒有標記數據的情況下，基于數據樣本間的相似性將其聚類為具有相似性的組。成功訓練ML模型后，執行這些模型所需的計算能力就會明顯降低。因此，既往經過培訓和測試的ML模型可以集成到可穿戴技術和智能手機中。

深度學習（deep learning，DL）是利用人工神經網絡獨立識別輸入數據的特征，從而檢測未知的模式。人工神經網絡是模仿生物神經系統（如人腦）的計算結構，其最基本的形式是將輸入數據直接連接到輸出層。更復雜的系統，如深度神經網絡（deep neural network，DNN）包含多個層次，這些層次可以執行不同的任務，其連接強度由可訓練和可調節的權值決定，而不是相鄰層的節點均可以連接［9］。根據輸入數據，經過調整的網絡結構顯示出巨大的預測潛力，如用于圖像、心電圖或時間序列的卷積神經網絡，這種特殊類型的神經網絡是使用過濾器識別圖像邊緣或曲線等數據，并將其組合成特征圖。

2 ML在AF篩查中的應用進展

2.1 基于智能手機的心電圖設備在AF篩查中的應用 目前，心電圖機自動診斷系統已在臨床應用數十年，近年隨著AI技術的不斷發展，基于智能手機的心電圖設備已被多家公司開發［10］，其中AliveCor Kardia公司開發的AF算法被多次進行科學研究，并證實其診斷AF的特異度較高［11-13］。YAN等［14］研究證實，由TomTom Runner Cardio應用程序支持的智能手機可利用內置攝像頭獲得光體積描記測量值，結果顯示，34.6%（75/217）的患者12導聯心電圖顯示存在AF，陽性預測值、陰性預測值分別為92%〔95%CI（84%，96%）〕、97%〔95%CI（93%，99%）〕，預測價值較高。CHEN等［15］研究表明，心電圖和光電容積脈搏波描記法（photoplethysmography，PPG）預測AF的正確率分別為94.7%、93.2%，而二者聯合預測AF的正確率更高，為97.5%。WASSERLAUF等［16］比較了蘋果手表和可插入循環記錄器評估非臥床人群AF發作及持續時間的敏感性，共分析了24例患者的31 348.0 h的記錄數據，結果表明，與可插入循環記錄器相比，蘋果手表對非臥床人群AF發作和持續時間的評估敏感度高。

目前，僅有兩項基于AI技術進行AF篩查的大規模前瞻性研究，一項是“蘋果心臟研究（The Apple Heart Study）”，該研究納入的是居住在美國并使用蘋果智能手表的419 000例參與者，其是利用光容積脈搏波傳感器監測參與者心律，如果手表記錄為可能的AF，則通過郵寄心電圖貼片的形式進行7 d的心電圖篩查，結果顯示，2 161例（0.52%）可能為AF的參與者中，450例（21%）參與者返回了心電圖貼片，其中又有34%的參與者存在AF［17］。另外一項是“華為心臟研究”，共納入近19萬名中國參與者，其是基于華為智能手表的光容積描記算法監測參與者心律，結果顯示，424名（0.23%）受試者收到了疑似AF的信息，其中262名（62%）受試者接受了12導聯或動態心電圖隨訪，227名（87%）受試者確診為AF［18］。上述研究表明，基于人群的大型AI技術篩查項目具有可以接受的陽性預測值，但也存在大量參與者無法有效隨訪的局限，且由于研究設計本身原因無法報告假陰性率。

2.2 DNN在AF篩查中的應用 既往研究表明，與傳統ML方法相比，DNN篩查AF的靈敏度和特異度均明顯升高［16，19］。HANNUN等［20］研究結果顯示，DNN的平均F分數（即陽性預測值和靈敏度的調和平均值）為0.837，高于心臟病專家的平均F分數（0.780），表明DNN在單導聯心電圖中可以對心律失常進行分類。RAMESH等［21］研究報道了另外一種DNN，其在心電圖中檢測AF的靈敏度為94.5%、特異度為96.0%、正確率為95.5%，其在光容積描記記錄中檢測AF的靈敏度為94.6%、特異度為95.2%、正確率為95.1%。此外，還有研究利用DNN估計高危人群（如慢性腎臟病［22］或有缺血性卒中史的患者［23］）AF發生風險。ATTIA等［24］在180 000例患者近650 000份心電圖上測驗DNN，結果顯示，DNN檢測AF的靈敏度為79.0%、特異度為79.5%；如果同時分析1例患者的多份心電圖，DNN檢測AF的靈敏度、特異度分別為82.3%、83.4%。

3 ML在AF患者管理中的應用進展

研究表明，與傳統Holter監護儀相比，手持式心臟設備診斷導管消融術后AF復發的價值較高（靈敏度為100%，特異度為97%）［25］，且DNN能夠通過分析12導聯心電圖估計Ⅲ類抗心律失常藥物的血漿濃度［26］。有研究者開發了診斷正確率高于既往風險評分和傳統線性或邏輯算法的DNN，并用于評估導管消融［27］或胸腔鏡消融治療［28］后患者AF復發風險。在導管消融程序方面，有研究探索了用于消融過程中識別AF觸發源的DNN［29-30］。LI等［31］評估了一種能檢測與快速心室率和低體力活動相關的AF發作的算法，并證實該算法能夠在AF發病前4.5 min內檢測到AF發作，這有利于指導臨床醫生早期實施干預措施。

研究表明，DNN有利于AF相關卒中患者全因死亡風險［32］和神經系統［33］的評估。一項基于神經網絡的變分自動編碼器和分層聚類分析9項評估β-受體阻滯劑治療心力衰竭效果的雙盲、隨機、安慰劑對照試驗結果顯示，基于神經網絡的變分自動編碼器和分層聚類能區分心力衰竭和低左心室射血分數（left ventricular ejection fraction，LVEF）患者的預后和β-受體阻滯劑的治療效果［34］。此外，DNN還對卒中風險進行分層和細化口服抗凝藥物的治療決策。LIP等［35］基于3 000多例AF患者（包括71例卒中患者）的植入心臟設備數據，開發了三種不同的AF特征監督ML模型（隨機森林、CNN和L1正則化邏輯回歸），結果顯示，隨機森林預測卒中風險的AUC為0.66、CNN為0.60、L1正則化邏輯回歸為0.56。目前，臨床應用最廣泛的卒中風險預測模型是CHA2DS2-VASc評分量表，其預測卒中風險的AUC為0.52，其與隨機森林、CNN聯合預測卒中風險的AUC為0.63［35-36］，表明CHA2DS2-VASc評分量表與傳統風險評估工具聯合可以提高卒中風險的預測效能。而結合臨床病史、影像學檢查和生物標志物等其他信息可以進一步完善疾病風險分層。ORBIT-AF注冊研究對約10 000例AF患者進行無監督聚類分析，包括患者的特異性臨床數據、藥物、實驗室檢查指標、心電圖和影像學檢查數據，共確定了四種AF臨床相關表型，且每種表型均與臨床結果相關［37］。

4 存在的問題

目前，包括傳統ML在內的移動衛生設備和可穿戴技術正在用于臨床實踐。但由于多數檢測AF的算法依賴絕對不規則的R-R間期，故極有可能導致心房撲動的漏診。與AF相比，心房撲動癥狀通常是因心室快速反應所致，故更有可能通過傳統方法進行診斷。心房顫動和心房撲動具有相似的血栓栓塞發生風險，且自動算法對其診斷效能不足，進而削弱了人們使用自動算法的信心。為此，有研究者訓練DNN，以正確鑒別AF和三尖瓣峽部依賴性心房撲動［38］。

此外，DNN在臨床實踐中存在的主要問題是不透明，即該算法可以為醫生提供信息，但如何解釋這些信息尚不清楚。TISON等［39］結合不同ML方法創建了個性化的心電圖矢量輪廓，其能夠估計左心室質量和e'速度等，同時標注重要的心電圖部分，以協助臨床醫生做出更準確的判斷。MOUSAVI等［40］研究表明，DNN能根據心電圖中相關區域來區分AF和竇性心律。但與缺乏透明度且更復雜的ML方法相比［41］，易于解釋的DNN僅提供了較少的臨床益處。

一項大型研究評估了循環記錄儀篩查AF的效果，結果顯示，AF的檢出率增加了3倍，但其對血栓栓塞事件的預防無明顯作用［42］。通過光電容脈搏波描記法（photo plethysmo graphy，PPG）連續監測節律或基于DNN自動風險評估發現的AF患者可能比通過傳統方法診斷的AF患者的血栓栓塞發生風險更低［15］，這可能需要重新評估AF患者的抗凝治療策略。

5 小結及展望

雖然ML和人工神經網絡已用于臨床實踐，但尚缺乏大型前瞻性研究來評估這些技術對臨床終點事件（如血栓栓塞事件或死亡率）的影響。目前，DNN的另外一個具體應用可能是優化衛生系統的工作環境和評估初級保健水平［43］。雖然傳統的超聲心動圖和磁共振圖像是由人工獲取和解釋的，但最近研究表明，AI引導的圖像獲取［44］和自動解釋［45］具有可行性，且可以極大地提高檢查速度［46］。未來AI有可能改變整個醫療實踐，尤其是AF患者的篩查和管理。但目前，AI還存在神經網絡不透明及缺乏臨床實踐等問題，仍需在未來研究中進一步解決。

作者貢獻：黃艷、鄧琪、曹麗萍進行文章的構思與設計；范詠梅、肖春霞進行文章的可行性分析；曹麗萍進行文獻/資料收集；鄧琪進行文獻/資料整理；黃艷撰寫、修訂論文；肖春霞負責文章的質量控制及審校，并對文章整體負責、監督管理。

本文無利益沖突。