高级检索
中华心律失常学杂志
期刊首页
过刊列表
高级检索
稿件发表
• 人工智能与心律失常 •
ENGLISH ABSTRACT
基于人工智能心电图差异预测冷冻消融术后心房颤动复发
宋文华
耿世佳
唐功政
王悦
章德云
王乔
吕童莲
刘莹
上官文锋
缪帅
李广平
洪申达
刘彤
作者及单位信息
·
DOI： 10.3760/cma.j.cn113859-20240225-00018
Prediction of atrial fibrillation recurrence based on artificial intelligence electrocardiogram difference
Song Wenhua
Geng Shijia
Tang Gongzheng
Wang Yue
Zhang Deyun
Wang Qiao
Lyu Tonglian
Liu Ying
Shangguan Wenfeng
Miao Shuai
Li Guangping
Hong Shenda
Liu Tong
Authors Info & Affiliations
Song Wenhua
Department of Cardiology, The Second Hospital of Tianjin Medical University, Tianjin Key Laboratory of Ionic-Molecular Function of Cardiovascular Disease, Tianjin Institute of Cardiology, Tianjin 300211, China
Geng Shijia
HeartVoice Medical Technology, Hefei 230088, China
Tang Gongzheng
National Institute of Health Data Science at Peking University, Beijing 100191, China
Institute of Medical Technology, Health Science Center of Peking University, Beijing 100191, China
Wang Yue
HeartVoice Medical Technology, Hefei 230088, China
Zhang Deyun
HeartVoice Medical Technology, Hefei 230088, China
Wang Qiao
Department of Cardiology, The Second Hospital of Tianjin Medical University, Tianjin Key Laboratory of Ionic-Molecular Function of Cardiovascular Disease, Tianjin Institute of Cardiology, Tianjin 300211, China
Lyu Tonglian
Department of Cardiology, The Second Hospital of Tianjin Medical University, Tianjin Key Laboratory of Ionic-Molecular Function of Cardiovascular Disease, Tianjin Institute of Cardiology, Tianjin 300211, China
Liu Ying
Department of Cardiology, The Second Hospital of Tianjin Medical University, Tianjin Key Laboratory of Ionic-Molecular Function of Cardiovascular Disease, Tianjin Institute of Cardiology, Tianjin 300211, China
Shangguan Wenfeng
Department of Cardiology, The Second Hospital of Tianjin Medical University, Tianjin Key Laboratory of Ionic-Molecular Function of Cardiovascular Disease, Tianjin Institute of Cardiology, Tianjin 300211, China
Miao Shuai
Department of Cardiology, The Second Hospital of Tianjin Medical University, Tianjin Key Laboratory of Ionic-Molecular Function of Cardiovascular Disease, Tianjin Institute of Cardiology, Tianjin 300211, China
Li Guangping
Department of Cardiology, The Second Hospital of Tianjin Medical University, Tianjin Key Laboratory of Ionic-Molecular Function of Cardiovascular Disease, Tianjin Institute of Cardiology, Tianjin 300211, China
Hong Shenda
National Institute of Health Data Science at Peking University, Beijing 100191, China
Institute of Medical Technology, Health Science Center of Peking University, Beijing 100191, China
Liu Tong
Department of Cardiology, The Second Hospital of Tianjin Medical University, Tianjin Key Laboratory of Ionic-Molecular Function of Cardiovascular Disease, Tianjin Institute of Cardiology, Tianjin 300211, China
·
DOI： 10.3760/cma.j.cn113859-20240225-00018
0
0
0
0
0
0
PDF下载
APP内阅读
摘要

目的开发1项基于12导联心电图的机器学习模型预测冷冻球囊消融术后心房颤动（房颤）复发。

方法本研究为前瞻性、单中心队列研究。纳入2020年5月至2023年9月就诊于天津医科大学第二医院并接受冷冻球囊消融术的房颤患者。收集患者临床资料以及术前和术后24 h内的标准12导联心电图。利用XGBoost方法构建3种基于术前和术后心电图数据差异的人工智能心电图模型。这些模型考虑了心电图参数、心电图深度特征、早期复发和基线房颤类型等55个特征的不同组合，并对其在模型预测中的重要性进行排序。

结果共入选患者201例，年龄（68.0±9.3）岁，其中男91例（45.3%，91/201）。随访222（124，368） d，26例（12.9%，26/201）患者复发。最佳机器学习模型是以术前、术后心电图深度特征差值作为输入的模型，受试者工作特征曲线的曲线下面积（ AUC）为0.872，F1得分为0.600，敏感度（召回率）为60.0%，特异度为94.4%，准确度为90.2%。

结论人工智能辅助分析心电图能够预测冷冻球囊消融术后房颤复发。

心房颤动;人工智能;心电图;冷冻球囊消融;复发
ABSTRACT

ObjectiveTo develop a machine learning model based on 12-lead electrocardiogram (ECG) to predict recurrence of atrial fibrillation (AF) after cryoballoon ablation.

MethodsIt was a prospective, single-center cohort study. Patients with AF who were admitted to The Second Hospital of Tianjin Medical University from May 2020 to September 2023 and underwent cryoballoon ablation were enrolled. Clinical data and standard 12-lead ECG within 24 hours before and after ablation were collected. Using the XGBoost method, three types of artificial intelligence (AI) ECG models were constructed based on the differences in ECG data before and after ablation. These models took into account considered different combinations of 55 features, including ECG parameters, ECG deep features, early recurrence and baseline AF types, and ranked their importance in model predictions.

ResultsA total of 201 patients were included, with an average age of (68.0±9.3) years and 91 (45.3%, 91/201) males. After 222 (124, 368) days of follow-up, there were 26 (12.9%, 26/201) patients with recurrence. The best prediction performance was obtained from the model using ECG deep features as input, with area under curve ( AUC) of 0.872, F1 score of 0.600, sensitivity (recall) of 60.0%, specificity of 94.4% and accuracy of 90.2%.

ConclusionAI algorithms can predict recurrence of AF after cryoballoon ablation.

Atrial fibrillation;Artificial intelligence;Electrocardiogram;Cryoballoon ablation;Recurrence
Liu Tong, Email: mocdef.6ab21codgnotuil;
Hong Shenda, Email: nc.defudabe.ukpadnehsgnoh
Copyright by Chinese Medical Association
No content published by the journals of Chinese Medical Association may be reproduced or abridged without authorization. Please do not use or copy the layout and design of the journals without permission.
All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
引用本文

宋文华,耿世佳,唐功政,等. 基于人工智能心电图差异预测冷冻消融术后心房颤动复发[J]. 中华心律失常学杂志,2024,28(02)：139-146.

DOI:10.3760/cma.j.cn113859-20240225-00018

PERMISSIONS

Request permissions for this article from CCC.

评价本文
*以上评分为匿名评价

版权归中华医学会所有。

未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。

除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。

目前成人心房颤动（房颤）发病率为2%～4%，1990年至2019年，全球房颤患病率约增加1倍，达到5 970万人 [ 1 ]。研究表明，75岁以上的房颤患者，5年内脑卒中发生率为6.9%～8.9%，消化道出血率为5.4%～6.6%；此外，大型队列研究发现，与非房颤患者相比，经过平均5年随访后，房颤患者痴呆（3.3%对1.3%）和阿尔兹海默症（0.7%对1.5%）发生率更高。多项研究证实，房颤与痴呆/认知障碍[比值比（odds ratio， OR）为1.38～2.60]和阿尔兹海默症（ OR为1.06～2.54）发病风险升高显著相关 [ 2 ]。因此，早期诊疗对改善房颤患者临床预后、提高患者生活质量和促进卫生健康领域的积极发展具有重大意义 [ 3 , 4 , 5 ]。与射频消融术相比，冷冻球囊消融术因手术耗时短、并发症发生率低等优势，目前已成为房颤的主要治疗方法之一 [ 6 , 7 ]。然而，荟萃分析表明，平均随访58.1个月后，冷冻消融术后房颤复发率约为37% [ 8 ]，因此术前风险评估和高危人群筛查对个性化治疗方案的制定至关重要。体表心电图因其可操作性强、经济便捷、临床可接受程度高，成为房颤的基础评估方式之一。
现阶段人工智能技术在心脏病学领域中扮演着越来越重要的角色，可应用于预测临床结局和指导决策措施，从而实现更具个性化和针对性的治疗 [ 9 ]。鉴于传统的统计分析（往往应用低维数据集，需要事先假设变量之间的潜在关系）和人为测量心电图参数（可测量的参数有限、需要多名心脏科医生重复测量校对等）的局限性，本研究尝试开发基于12导联心电图和临床资料的机器学习模型来预测冷冻球囊消融术后房颤复发。
资料和方法
1．研究对象：
本研究为前瞻性、单中心队列研究。入选2020年5月至2023年9月就诊于天津医科大学第二医院，根据2020年欧洲心脏病学会房颤诊断和管理指南 [ 6 ]诊断为房颤且同意接受冷冻球囊消融术治疗的患者。纳入标准：①至少1次标准12导联心电图或24 h动态心电图证实为房颤；②首次行房颤冷冻消融治疗；③年龄18～80岁；④经食管超声心动图（transesophageal echocardiography，TEE）除外左心房及左心耳血栓；⑤术后1、3、6、9、12个月接受心电图或24 h动态心电图检查；⑥预期生存期>1年；⑦理解本研究的目的和步骤，自愿参加并签署书面知情同意。排除标准：①既往房颤导管消融史；②TEE证实心房或左心耳内已有血栓形成；③心电图质量欠佳；④依从性差，不能按时进行复查和接受随访。本研究获得了天津医科大学第二医院伦理委员会批准（审批号：KY2020K001）。
2．临床资料收集：
术前充分评估患者一般状况，记录患者人口学资料（如年龄、性别、合并疾病等），并完善基线检查（如心肌酶等实验室检查、心电图、超声心动图）。
3．心电图的采集和分析：
分别于术前和术后24 h采集标准12导联心电图。患者静息状态下取平卧位，使用PE-1204数字化心电工作站（深圳华清心仪医疗电子有限公司）采集标准12导联心电图，设定走纸速度25 mm/s，电压1 mV/10 mm，采集时间为10 s，保存XML格式数据。心电图参数[心率、PR间期、QRS时限、RR间期、QT间期、校正的QT间期（QTc间期）]由安徽心之声医疗科技有限公司开发的波形检测分析算法计算得到，该算法是CardioLearn ®软件FeatureDB模块的一部分 [ 10 ]。算法包括信号滤波、波形检测、波形定位及波形分析等多个步骤。首先，实现R波的准确定位；随后，基于心电生理信号的基本属性，对每个心搏周期内的P-QRS-T波进行逐一检测和定位；最终通过对所有心搏周期分析结果的综合评估获得所需的心电图参数。
4．心电图深度特征获取：
心电图深度特征提取基于CardioLearn ®软件的深度卷积神经网络心电图分类器 [ 10 ]。模型结构的输入层包含12个通道，代表心电图的12个导联，每个通道有5 000个数据点，匹配500 Hz采样频率的10 s心电数据。输出层有47个单元，对应原始分类任务中的47个心电图类别。本研究利用CardioLearn®心电图分类器来获取心电图的深层次表示（深度特征），而不进行最终的softmax激活，即不进行分类概率映射。
5．冷冻消融过程：
患者取仰卧位，行局部或全身麻醉，连接三维电生理标测系统。经股静脉房间隔穿刺后，应用肝素（100 U/kg）抗凝，并维持活化凝血时间（activated clotting time，ACT）为250～ 350 s；于左前斜及右前斜体位行左心房造影，明确肺静脉解剖结构，术前接受肺血管CT造影者可不行肺静脉造影术。所有患者依次冷冻消融各肺静脉，消融前行肺静脉造影明确球囊完全封堵肺静脉。消融终点为各肺静脉实现传入及传出阻滞；消融右侧肺静脉过程中起搏膈神经，并观察膈肌活动，如有膈肌跳动停止立即终止消融，观察膈肌运动情况；术后再次电标测以确认是否完成肺静脉隔离，若观察到肺静脉电位恢复，则再次行补充肺静脉冷冻球囊消融。手术结束标准为观察20 min后未见肺静脉电位或无法传出。术前常规应用阿托品0.5 mg抑制迷走神经，降低迷走神经反射风险，术中放置右心室导线备用起搏，以防迷走神经反射引起的心率减慢。
6．研究终点：
主要终点为冷冻消融术后房颤复发，定义为术后3个月心电图或24 h动态心电图记录到≥30 s的房颤、心房扑动（房扑）和房性心动过速（房速）。其中，术后3个月内的复发定义为早期复发，不作为研究终点。随访方式为电话及门诊随访。分别于术后第1个月及每3个月进行随访，提醒患者完善心电图或24 h动态心电图检查。对于记录到2次及以上复发事件的同一例患者，其复发时间以第1次为准，所有患者随访截至复发日期或2023年12月31日。
7．模型构建与效能检验：
按照机器学习流程，将所有入选患者（每例患者拥有术前和术后2份心电图）按约4∶1的比例随机分配至训练集（160例，即320份心电图）和测试集（41例，即82份心电图）。对于数据标注，根据冷冻消融术后是否出现房颤复发来分类，其中非复发者标记为0，复发者标记为1。随后，采用XGBoost（极限梯度提升，一种基于决策树的集成学习方法），构建3种基于术前和术后心电图数据差异的人工智能心电图（artificial intelligence-electrocardiogram，AI-ECG）模型：模型1着重于探究术前和术后心电图参数的差异；模型2专注于分析术前和术后心电图深度特征的差异；模型3全面评估心电图所有特征的差异。其中，模型1和模型3进一步融合了2个重要的临床特征：是否早期复发以及基线房颤类型（阵发性或非阵发性）。
8．特征重要性的量化分析：
运用SHAP （SHapley Additive exPlanations）方法对各模型预测结果中每个特征的重要性进行量化分析，以此来评估3个模型中不同特征的影响力。对于模型1，分析包括心电图参数差值（心率差值、PR间期差值、RR间期差值、QRS时限差值、QT间期差值、QTc间期差值），以及早期复发和基线房颤类型在内的8个特征。对于模型2，对47个心电图深度特征差值进行特征分析。对于模型3，综合分析包括心电图参数、心电图深度特征、早期复发和基线房颤类型在内的所有55个特征。采用SHAP方法可以计算出每个特征对于测试集中各样本的SHAP值，进而定量化地展示该特征对模型预测结果的影响程度。正的SHAP值表示该特征提升了预测结果的可能性，而负的SHAP值表示该特征降低了预测结果的可能性。特征的影响力度或重要性，由其SHAP值的绝对值大小决定：SHAP值的绝对值越大，表明该特征对模型预测的影响越显著，因而重要性越高。为了综合评估某个特征在整个测试集上对模型预测结果的影响程度，可以计算该特征在所有测试样本上SHAP值绝对值的平均数。
9．统计学处理：
采取Python及SPSS 25.0软件提取心电图参数及统计学分析。对于连续变量，符合正态分布的计量资料用 ± s表示，组间比较采用两独立样本 t检验；非正态分布的计量资料用 M（ Q 1， Q 3）表示，组间比较采用 Man- Whitney U检验进行。分类变量用例数、率或者构成比形式进行描述。本研究采用敏感度、特异度、F1得分以及受试者工作特征曲线（receiver operating characteristic curve，ROC曲线）的曲线下面积（area under curve， AUC）对模型的检验效能进行评价。其中，敏感度是评价该模型识别房颤复发高风险患者特征的性能，越接近100%则性能越好；特异度是衡量模型识别房颤复发低风险患者特征的能力，越接近100%证明性能越好； AUC越接近1.0，分类结果的真实性越高，当 AUC=0.5时，真实性最低，无应用价值；F1得分是对精确率和召回率的加权平均，能更准确地体现模型的性能，0表示最差，1表示最好。 P<0.05为差异具有统计学意义。
结果
1．基线资料：
接受冷冻消融术的房颤患者335例，排除经TEE提示左心房或左心耳血栓（26例）、既往房颤消融术史（37例）以及心电图质量欠佳（65例）者，共207例患者接受冷冻球囊消融术并进入临床随访期，其中6例患者失访。受试者入选流程图见 图1 。
201例接受冷冻球囊消融术的房颤患者入选流程图

注：房颤为心房颤动

最终，本研究纳入201例患者，年龄（68.0± 9.3）岁，其中男91例（45.3%，91/201），阵发性房颤165例（82.1%，165/201）。其中，合并高血压121例（60.2%，121/201），冠心病74例（36.8%，74/201），糖尿病37例（18.4%，37/201）。入组患者左心房内径（42.0±5.8） mm，右心房上下径（49.0±6.2） mm，右心房左右径（38.0±5.4） mm，左心室射血分数60.0%±6.4%，高敏肌钙蛋白I 0.012（0.010，0.022） ng/L，N末端脑钠肽前体405.9（148.8，1 094.7） ng/L。经过222（124，368） d随访，30例（14.9%，30/201）患者出现早期复发，26例（12.9%，26/201）患者复发。按照术后是否复发分为复发组和非复发组，两组患者的基线特征比较见 表1 。与非复发组相比，复发组患者男性比例（26.9%对48.0%， P=0.044）更低，阵发性房颤比例（96.2%对80.0%， P=0.041）更高，美托洛尔用药率（19.2%对17.7%， P=0.033）更高，早期复发比例（30.8%对12.6%， P=0.015）更高。两组年龄、体重指数（body mess index，BMI）、收缩压、舒张压、高血压、冠心病、糖尿病、胺碘酮等用药史、左心房内径、右心房上下径和左右径、左心室射血分数、高敏肌钙蛋白I、N末端脑钠肽前体、肌酸激酶、肌酸激酶同工酶水平差异无统计学意义（ P>0.05）。
项目 复发组 非复发组 P值
例数 26 175  
年龄（岁， ± s） 67.7±11.3 68.1±9.1 0.819
男[例（%）] 7（26.9） 84（48.0） 0.044 a
BMI（kg/m 2， ± s） 24.0±3.5 25.3±3.7 0.120
阵发性心房颤动[例（%）] 25（96.2） 140（80.0） 0.045 a
收缩压（mmHg， ± s） 135.9±19.5 131.5±17.0 0.234
舒张压（mmHg， ± s） 81.1±11.1 80.2±11.4 0.706
合并疾病[例（%）]      
高血压 16（61.5） 105（60.0） 0.881
冠心病 11（42.3） 63（36.0） 0.534
糖尿病 5（19.2） 32（18.3） 0.908
用药史[例（%）]      
胺碘酮 8（30.8） 72（41.1） 0.313
索他洛尔 5（19.2） 44（25.1） 0.512
美托洛尔 5（19.2） 31（17.7） 0.033 a
利伐沙班 14（53.8） 113（64.6） 0.290
艾多沙班 6（23.1） 36（20.6） 0.769
辅助检查      
左心房内径（mm， ± s） 41.2±5.9 42.5±5.8 0.301
右心房上下径（mm， ± s） 47.3±7.3 49.4±6.1 0.124
右心房左右径（mm， ± s） 36.0±4.9 38.2±5.4 0.050
左心室射血分数（%， ± s） 59.2±7.7 60.5±6.3 0.334
左心耳最大充盈速度[cm/s， M（ Q 1， Q 3）］ 51.0（36.3，65.1） 49.0（39.7，64.0） 0.782
左心耳最大排空速度[cm/s， M（ Q 1， Q 3）］ 51.0（35.7，72.5） 54.0（37.0，70.0） 0.750
Hs-cTnI [ng/L， M（ Q 1， Q 3）］ 0.010（0.004，0.017） 0.015（0.010，0.024） 0.636
NT-pro BNP [ng/L， M（ Q 1， Q 3）］ 464.1（190.3，1 252.5） 402.3（142.5，1 076.2） 0.393
CK[U/L， M（ Q 1， Q 3）］ 67.0（52.0，109.2） 67.8（53.1，96.7） 0.462
CK-MB [U/L， M（ Q 1， Q 3）］ 10.9（9.3，12.5） 11.5（9.3，14.7） 0.185
早期复发[例（%）] 8（30.8） 22（12.6） 0.015 a
心房颤动复发组与非复发组患者的基线特征比较

注：BMI为体重指数，hs-cTnI为高敏肌钙蛋白I，NT-pro BNP为N末端脑钠肽前体，CK为肌酸激酶，CK-MB为肌酸激酶同工酶；1 mmHg=0.133 kPa， a为差异具有统计学意义

所有患者的心电图测量指标见 表2 。201例患者术前和术后心率、RR间期、PR间期和QRS时限相比，差异均无统计学意义（ P>0.05）。与术前相比，术后QT间期[（391.51±39.95）ms对（381.36± 35.72） ms]和QTc间期[（431.97±38.02） ms对（422.72± 41.26） ms]均缩短，差异均有统计学意义（ P<0.05）。
心电图测量值 术前 术后 P值
心率（次/min） 73.86±12.48 76.03±22.09 0.223
RR间期（ms） 828.39±134.20 838.03±197.44 0.211
PR间期（ms） 154.25±12.47 155.41±13.52 0.959
QRS时限（ms） 96.71±16.66 96.59±16.30 0.949
QT间期（ms） 391.51±39.95 381.36±35.72 0.049 a
QTc间期（ms） 431.97±38.02 422.72±41.26 0.013 a
201例接受冷冻球囊消融术的心房颤动患者的心电图指标测量值（ ± s）

注：QTc间期为校正的QT间期， a为差异具有统计学意义

2．人工智能模型的性能
（1）特征重要性排序：冷冻球囊消融术后房颤复发患者的特征重要性排序见 图2 。本研究纳入的特征依据测试样本中SHAP值绝对值的平均值进行降序排列。x轴为特征SHAP值绝对值的平均值，即特征重要性评分分数；y轴为特征。 图2 展示了模型1中全部8个特征的重要性排序，以及模型2和模型3中重要性排序前20位的特征。在模型1中，重要性最高的是RR间期差值，之后依次为QTc间期差值、QT间期差值、QRS时限差值、PR间期差值、心率差值、房颤类型和早期复发；模型2中，重要性最高的是深度学习特征20的差值，重要性排序第2和第3位分别是深度学习特征25的差值以及深度学习特征27的差值；模型3中，重要性最高的同样是深度学习特征20的差值，排序第2和第3位的分别为深度学习特征27的差值以及深度学习特征10的差值。模型3中除深度学习特征外，早期复发差值、QRS时限差值及PR间期差值也在重要性排序中进入前20位。
各特征对模型预测结果的重要性排序（2A：模型1术前、术后心电图参数差值和临床特征排序；2B：模型2术前、术后心电图深度学习特征的差值前20位的重要特征排序；2C：模型3术前、术后心电图，量值的差值、临床特征和心电图深度学习特征的差值前20位的重要特征排序）

注：房颤为心房颤动，QTc间期为校正的QT间期

（2）模型评价指标：AI-ECG模型1在测试数据集中的 AUC=0.711，敏感度（召回率）为60.0%，特异度为88.9%，准确度为85.4%，F1得分为0.500（ 图3A ）。AI-ECG模型2在测试数据集中的 AUC=0.872，敏感度（召回率）为60.0%，特异度为94.4%，准确度为90.2%，F1得分为0.600（ 图3B ）。AI-ECG模型3在测试数据集中的 AUC=0.822，敏感度（召回率）为60.0%，特异度为91.7%，准确度为87.8%，F1得分为0.545 （ 图3C ）。
3个人工智能心电图（AI-ECG）模型的受试者工作特征曲线（ROC）及混淆矩阵（3A：模型1，3B：模型2，3C：模型3）

注： AUC为曲线下面积

讨论
冷冻球囊消融术目前已成为临床上治疗房颤的主要治疗方案，早期识别术后复发高风险人群至关重要。随着医疗大数据时代的到来，人工智能技术越来越多地应用于临床医学，辅助疾病的诊断和危险分层。与传统的统计学分析相比，人工智能技术可以更精准地捕捉疾病的片段化特征，运用机器算法构建诊断和预测模型，有助于早期识别高危人群，避免不必要的侵入性诊疗措施。目前，人工智能技术逐步应用于房颤的临床管理。本研究应用基于住院患者接受冷冻球囊消融术前和术后心电图参数的人工智能模型预测术后房颤复发，主要发现：①根据统计学差异及算法特征排序，深度学习特征20（与一度房室传导阻滞相关）是冷冻球囊消融术后房颤复发最具代表性的指标；②最佳机器学习模型为以术前、术后深度学习特征差值作为输入的模型， AUC=0.872，F1得分为0.600，特异度为94.4%，准确度为90.2%。
心电图因其操作简便、经济成本低、可接受度高，广泛应用于临床实践。房颤等多种心律失常均依赖于心电图和动态心电图等进行诊断和筛查，这也是人工智能在心电分析中的热点领域之一。研究发现，人工智能模型对12种心律失常的分类准确率（90.0%）高于内科医生（55.0%）、急诊医生（73.0%）和心脏病学专家（83%）的平均准确率 [ 11 ]。目前，人工智能可以基于各种导联组合的心电信号准确地识别多种心电异常，其中最主要的工作重心在于房颤的筛查和预测 [ 12 ]。本团队既往研究中，纳入了1 040例房颤患者和1 344例非房颤患者的12导联心电信号，利用神经网络构建房颤识别数据集 [ 13 ]。结果显示，基于纸质心电图建立的人工智能算法的敏感度、特异度、F1得分分别为0.957、97.8%、96.9%， AUC=0.994，研究结果进一步表明，通过人工智能算法可高效准确地识别房颤，为临床实践提供指导。此外，AI-ECG还可用于新发房颤的预测。与CHARGE-AF评分、Framingham研究评分等传统的房颤预测模型相比，近年新开发的基于心电资料的机器学习预测模型表现出较高的检验效能。Attia及其团队采集了美国梅奥诊所就诊的180 922例患者的649 931份12导联心电图数据，利用卷积神经网络构建模型分析发现，单次窦性心电图准确识别出房颤患者的 AUC=0.87、敏感度为79.0%、特异度为79.5%、准确度为79.4%，进一步纳入同一位患者的多次窦性心电图数据时，其诊断效能可提升至 AUC=0.90、敏感度为82.3%、特异度为83.4%、准确度为83.3% [ 14 ]。另一项研究从包含46万余人的大规模临床数据库中提取12导联窦性心电图资料，构建了深度神经网络模型，结果发现，该模型识别新发房颤的 AUC=0.845、特异度为98.1%，但敏感度仅为32.2% [ 15 ]。因此，基于心电图的人工智能模型可作为新发房颤的有效预测工具。
目前，AI-ECG识别消融术后房颤复发相关研究仍较少。既往1项来自中国的研究纳入了1 618例接受导管消融术的房颤患者，采集患者术前12导联心电图，构建卷积神经网络预测患者消融术后房颤复发风险，结果发现，该模型的 AUC=0.84，敏感度、特异度、准确度分别为72.3%、95.0%、92.0%。与传统预测模型（APPLE、BASE-AF2、CAAP-AF、DR-FLASH和MB-LATER）相比，该模型的预测效能更好 [ 16 ]。目前，大多数研究旨在通过基于心电图的人工智能技术识别和预测新发房颤，而本研究旨在探索AI-ECG辅助预测冷冻消融术后房颤复发。与既往研究相比，本研究同时纳入患者消融术前和术后24 h内采集的心电图数据，并结合深度学习特征提取，进一步增加了模型的检测效能。本研究通过分析冷冻球囊消融术前后心电图的变化，来预测房颤术后复发的可能性。结果发现，重要性排名最高的差值对应的深度学习特征20，其对应的原始心电图分类为一度房室传导阻滞，既往有研究发现，PR间期延长与房颤发生相关 [ 17 , 18 ]。可能的机制：①PR间期明显延长而导致心室充盈受损。AV间期延长可缩短早期左心室舒张充盈时间，导致左心室充盈受损，进而左心房压力升高，驱动左心房不良重构，成为房颤发生和发展的重要基质之一。②一度房室传导阻滞反映了包括左心房在内的心肌弥漫性纤维化，与心肌结构重构和电重构密切相关，进一步促进房颤发生。此外，本研究中比较了3种不同的方法：仅使用心电图参数差异和少量临床特征、通过深度学习模型提取的心电图深度特征差异，以及将心电图参数差异、心电图深度特征差异和少数临床特征综合应用于机器学习模型中。结果表明，当单独使用经深度学习模型提取的心电图深度特征差值时，模型展现了最优性能，是所有测试模型中最高的。这表明，深度学习提取的特征能够更有效地捕捉到心电图数据中与术后房颤复发相关的复杂模式和细微差异，这与先前采用深度特征识别房颤节律的研究呈现出了一致的结论 [ 19 ]。尽管我们预期通过引入更多的特征，包括患者的基线临床特征（如房颤类型和早期复发情况），以及术前、术后心电图参数的差异，能够增强模型的预测能力，然而实际结果却表明 AUC、特异度和准确度等关键性能指标均有所下降。这一发现展示了相较于传统的特征集合，通过深度学习模型提取的心电图深度特征在识别房颤复发相关的复杂模式方面更为有效。这种性能优势可能源于深度学习能够从原始数据中学习到更抽象、更具代表性的特征表示。在预测冷冻球囊消融术后房颤复发方面，这些深度特征展示了显著的临床应用潜力。
本研究存在一定局限性。首先，入选的患者来自单中心，样本量偏小，可能存在一定选择偏倚，且收集的心电数据偏少，使得模型的训练不够充分，会影响模型性能，仍需要更大样本量的心电数据增强人工智能模型的敏感度和特异度；其次，本研究的主要终点为冷冻消融术后房颤复发，主要随访方式为电话和门诊随访，通过12导联心电图和24 h动态心电图识别有无复发，对于阵发性房颤发作，可能存在漏诊，同时，随访时间较短，未来尚需进一步延长随访时间以明确该模型对远期房颤复发的检验效能；第三，未来尚需将该人工智能模型进行外部验证，从而确定其诊断效能；最后，尽管本研究利用心电图分类模型提取了心电图的深度特征，但尚未对特征重要性分析揭示的重要特征与其所对应的原始心电图分类及冷冻消融术术后房颤复发之间的联系进行探索。未来的研究需对这些心电图深度特征的解释性进行更深入的研究。
综上所述，与传统的人口学等资料相比，仅输入术前、术后心电图深度特征的人工智能模型识别冷冻球囊消融术后房颤复发的效能更优。心电图因其经济便捷、可操作性强，在临床上应用广泛，基于心电图的人工智能模型将有助于识别冷冻消融术后房颤复发的高危人群，对个性化诊疗方案的制定和减少非必要的侵入性操作具有积极意义。同时，未来尚需进一步研究明确心电图变化值与术后房颤复发的具体机制，以及人工智能模型应用于射频消融术等其他治疗方式对房颤患者预后的评估价值。
试读结束，您可以通过登录机构账户或个人账户后获取全文阅读权限。
参考文献
[1]
Benjamin EJ ， Muntner P ， Alonso A ，et al. Heart disease and stroke statistics-2019 update：a report from the American Heart Association[J]. Circulation， 2019，139（10）：e56-e528. DOI： 10.1161/CIR.0000000000000659 .
返回引文位置Google Scholar
百度学术
万方数据
[2]
Aldrugh S ， Sardana M ， Henninger N ，et al. Atrial fibrillation，cogni-tion and dementia：a review[J]. J Cardiovasc Electrophysiol， 2017，28（8）：958-965. DOI： 10.1111/jce.13261 .
返回引文位置Google Scholar
百度学术
万方数据
[3]
Volgman AS ， Nair G ， Lyubarova R ，et al. Management of atrial fibrillation in patients 75 years and older：JACC State-of-the-Art Review[J]. J Am Coll Cardiol， 2022，79（2）：166-179. DOI： 10.1016/j.jacc.2021.10.037 .
返回引文位置Google Scholar
百度学术
万方数据
[4]
Segan L ， Prabhu S ， Kalman JM ，et al. Atrial fibrillation and stress：a 2-way street？[J]. JACC Clin Electrophysiol， 2022，8（8）：1051-1059. DOI： 10.1016/j.jacep.2021.12.008 .
返回引文位置Google Scholar
百度学术
万方数据
[5]
刘彤，陈明龙. 心房颤动患者的脑卒中预防[J]. 中华心律失常学杂志， 2019，23（3）：185-186. DOI： 10.3760/cma.j.issn.1007-6638.2019.03.001 .
返回引文位置Google Scholar
百度学术
万方数据
[6]
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. DOI： 10.1093/eurheartj/ehaa612 .
返回引文位置Google Scholar
百度学术
万方数据
[7]
中华医学会心电生理和起搏分会，中国医师协会心律学专业委员会，中国房颤中心联盟心房颤动防治专家工作委员会. 心房颤动：目前的认识和治疗建议（2021）[J]. 中华心律失常学杂志， 2022，26（1）：15-88. DOI： 10.3760/cma.j.cn113859-20211224-00264 .
返回引文位置Google Scholar
百度学术
万方数据
[8]
Song W ， Lv T ， Zhang N ，et al. Long-term efficacy and safety of cryoballoon ablation of atrial fibrillation：a systematic review and meta-analysis[J]. Pacing Clin Electrophysiol， 2024，47（1）：49-57. DOI： 10.1111/pace.14881 .
返回引文位置Google Scholar
百度学术
万方数据
[9]
Johnson KW ， Torres Soto J ， Glicksberg BS ，et al. Artificial intelligence in cardiology[J]. J Am Coll Cardiol， 2018，71（23）：2668-2679. DOI： 10.1016/j.jacc.2018.03.521 .
返回引文位置Google Scholar
百度学术
万方数据
[10]
Hong S ， Fu Z ， Zhou R ，et al. Cardiolearn：a cloud deep learning service for cardiac disease detection from electrocardiogram[Z]. In： Companion Proceedings of the Web Conference 2020. 2020：148-152.
返回引文位置Google Scholar
百度学术
万方数据
[11]
Chang KC ， Hsieh PH ， Wu MY ，et al. Usefulness of machine learning-based detection and classification of cardiac arrhythmias with 12-lead electrocardiograms[J]. Can J Cardiol， 2021，37（1）：94-104. DOI： 10.1016/j.cjca.2020.02.096 .
返回引文位置Google Scholar
百度学术
万方数据
[12]
刘兴鹏. 老树新花：百年心电图在人工智能时代的华丽绽放[J]. 中华心律失常学杂志， 2023，27（4）：277-279. DOI： 10.3760/cma.j.cn113859-20230703-00101 .
返回引文位置Google Scholar
百度学术
万方数据
[13]
章德云，魏国栋，耿世佳，等. 从纸质心电图中识别房颤的人工智能算法研究[J]. 实用心电学杂志， 2023，32（1）：1-7. DOI： 10.13308/j.issn.2095-9354.2023.01.001 .
返回引文位置Google Scholar
百度学术
万方数据
[14]
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（ 102 01 ）：861-867. DOI： 10.1016/S0140-6736(19)31721-0 .
返回引文位置Google Scholar
百度学术
万方数据
[15]
Habineza T ， Ribeiro AH ， Gedon D ，et al. End-to-end risk prediction of atrial fibrillation from the 12-Lead ECG by deep neural networks[J]. J Electrocardiol， 2023，81：193-200. DOI： 10.1016/j.jelectrocard.2023.09.011 .
返回引文位置Google Scholar
百度学术
万方数据
[16]
Jiang J ， Deng H ， Liao H ，et al. An artificial intelligence-enabled ECG algorithm for predicting the risk of recurrence in patients with paroxysmal atrial fibrillation after catheter ablation[J]. J Clin Med， 2023，12（5）：1933. DOI： 10.3390/jcm12051933 .
返回引文位置Google Scholar
百度学术
万方数据
[17]
Tanaka Y ， Tada H ， Hamaya R ，et al. First-degree atrioventricular block is significantly associated with incident atrial fibrillation in the population predominantly including participants aged ≥ 60 years[J]. Heart Vessels， 2021，36（9）：1401-1409. DOI： 10.1007/s00380-021-01805-2 .
返回引文位置Google Scholar
百度学术
万方数据
[18]
Schnabel RB ， Sullivan LM ， Levy D ，et al. Development of a risk score for atrial fibrillation （Framingham Heart Study）：a community-based cohort study[J]. Lancet， 2009，373（9665）：739-745. DOI： 10.1016/S0140-6736(09)60443-8 .
返回引文位置Google Scholar
百度学术
万方数据
[19]
Hong S ， Wu M ， Zhou Y ，et al. ENCASE：an ENsemble ClASsifiEr for ECG classification using expert features and deep neural networks[J]. CinC， 2017：1-4. DOI： 10.22489/CinC.2017.178-245 .
返回引文位置Google Scholar
百度学术
万方数据
备注信息
A
刘彤，Email： mocdef.6ab21codgnotuil；
B
洪申达，Email： nc.defudabe.ukpadnehsgnoh
C

宋文华、耿世佳：设计和实施研究、数据采集、论文撰写、论文修订、统计分析；唐功政、王悦、章德云：数据处理、模型训练、特征提取；王乔、吕童莲、刘莹、上官文锋、缪帅：数据收集；李广平：设计和实施研究、研究指导；洪申达、刘彤：设计和实施研究、论文修订、研究指导、经费支持

D
中国临床试验注册中心，ChiCTR-2200056733
E
Chinese Clinical Trial Registry，ChiCTR-2200056733
F
所有作者均声明不存在利益冲突
G
国家自然科学基金 (82170327，82370332，62102008)
天津市卫健委重点学科专项 (TJWJ2022XK013，TJYXZDXK-029A)
评论 （0条）
注册
登录
时间排序
暂无评论，发表第一条评论抢沙发
最新推荐
更多
中国慢性肾脏病患者高血压管理指南（2023年版）
中华医学会肾脏病学分会专家组
中华肾脏病杂志 2023,39(01)
124例成人噬血细胞综合征临床预后分析：一项淮海淋巴瘤协作组多中心回顾性研究
沈子园 等
中华血液学杂志 2021,42(10)
同步加量放疗治疗不可手术食管鳞癌的远期疗效及安全性：泛京津冀食管肿瘤多中心协作组多中心回顾性研究(3JECROG R-05)
王晓敏 等
中华肿瘤杂志 2021,43(08)
Ⅳ期食管鳞癌放化疗疗效分析：泛京津冀食管肿瘤多中心协作组多中心回顾性研究(3JECROG R-01F)
胡苗苗 等
中华肿瘤杂志 2020,42(08)
MedAI助手（体验版）
文档即答
智问智答
机器翻译
回答内容由人工智能生成，我社无法保证其准确性和完整性，该生成内容不代表我们的态度或观点，仅供参考。
生成快照
文献快照

你好，我可以帮助您更好的了解本文，请向我提问您关注的问题。

0/2000

《中华医学会杂志社用户协议》 | 《隐私政策》

《SparkDesk 用户协议》 | 《SparkDesk 隐私政策》

网信算备340104764864601230055号 | 网信算备340104726288401230013号

技术支持：

历史对话
本文全部
还没有聊天记录
设置
模式
纯净模式沉浸模式
字号
小中大