人工智能心電監(jiān)測在心律失常檢測中的應(yīng)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(nèi)心血管疾病常見的死亡原因之一，全世界因心律失常誘發(fā)突發(fā)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(dǎo)致運動員心臟性猝死發(fā)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(fā)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(guī)十二導(dǎo)聯(lián)心電圖及24 h動態(tài)心電圖(Holter)，以提供心電監(jiān)測，短時間的心電圖操作時間短，只能捕捉當(dāng)下患者的心律狀態(tài)，常常導(dǎo)致心律失常的漏診；床邊心電監(jiān)護(hù)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(yī)院危重患者的床邊監(jiān)護(hù)；而患者及運動愛好者使用Holter時需要攜帶電極片、導(dǎo)線和儀器，不僅影響生活而且易受干擾，后續(xù)數(shù)據(jù)處理繁瑣且部分診斷準(zhǔn)確性不高，導(dǎo)致大規(guī)模使用受限[5,6]。隨著計算機智能技術(shù)飛速發(fā)展，人工智能(artificial intelligence，AI)科技及包括可穿戴式設(shè)備在內(nèi)的許多其他輔助技術(shù)，對心律失常的診斷提供了強有力的依據(jù)[7]。AI算法可以從海量的數(shù)據(jù)庫中直接學(xué)習(xí)，無需特殊人為編程且可及時預(yù)警，這一特點在心血管領(lǐng)域?qū)膊≡\斷、分類、風(fēng)險分層、健康監(jiān)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(shù)據(jù)往往比醫(yī)師有著更高的靈敏度，能夠發(fā)現(xiàn)醫(yī)師不能發(fā)現(xiàn)和理解的地方[8]。因此我院與深圳源動創(chuàng)新科技有限公司團(tuán)隊合作，佩戴AI-ECG動態(tài)心電記錄儀，旨在探討AI-ECG對心律失常檢測的臨床應(yīng)用價值，幫助早期診斷，及時預(yù)警惡性心律失常的發(fā)生更加高效準(zhǔn)確地完成臨床指導(dǎo)工作，降低心血管疾病發(fā)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(nèi)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(guī)24 h動態(tài)心電圖收集心律失常樣本。并根據(jù)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(qū)性心律失常組(n=248)、室性心律失常組(n=180)、心臟傳導(dǎo)阻滯組(n=144)。

1.2 納入與排除標(biāo)準(zhǔn)

1.2.1 納入標(biāo)準(zhǔn)：心電檢查及其診斷均須符合《內(nèi)科學(xué)》標(biāo)準(zhǔn)要求。所有相關(guān)臨床檢測資料須征得患者及其家屬的知情同意，并獲得醫(yī)學(xué)倫理委員會統(tǒng)一批準(zhǔn)。

1.2.2 排除標(biāo)準(zhǔn)：嚴(yán)重多臟器功能衰竭、心血管疾病終末期、甲狀腺功能亢進(jìn)、神經(jīng)系統(tǒng)疾病及因嚴(yán)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(shù)據(jù)采集方法:①本研究AI-ECG組使用由深圳源動創(chuàng)新科技有限公司生產(chǎn)的ER1動態(tài)心電記錄儀，基于深度學(xué)習(xí)算法(卷積神經(jīng)網(wǎng)絡(luò))的先進(jìn)心電圖分析引擎來自動提取患者心電圖，ER1動態(tài)心電記錄儀可以長時間佩戴，采集的心電數(shù)據(jù)通過USB上傳至PC端并發(fā)送至樂普醫(yī)AI-ECGPlatform平臺分析，同時實時監(jiān)護(hù)分析團(tuán)隊將會對患者的數(shù)據(jù)進(jìn)行分析與審核，最終將報告再回傳至醫(yī)生，客戶端為后續(xù)的治療方案提供依據(jù)，此產(chǎn)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(yīng)性及抗干擾性。

②Holter組采用普通24 h動態(tài)心電圖進(jìn)行診斷，由2位專業(yè)心血管內(nèi)科醫(yī)生及心電圖專業(yè)醫(yī)師根據(jù)心電圖對受試者的心律信息做出診斷，若診斷結(jié)果一致，則作為診斷標(biāo)準(zhǔn)，若不一致則提交3名心電臨床專家復(fù)核，3位專家的一致性結(jié)果作為診斷標(biāo)準(zhǔn)。

1.3.2 電極佩戴方式:本研究使用的AI-ECG設(shè)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(biāo) 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(jiān)測就預(yù)警次數(shù)和實際發(fā)生預(yù)警資料，評估人工智能心電監(jiān)測為金標(biāo)準(zhǔn)對比研究的有效性。

2 結(jié)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(tǒng)計學(xué)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(dá)68.87%(854/1 240)，顯著高于Holter組檢測的38.87%(482/1 240)，差異有統(tǒng)計學(xué)意義(P<0.05)。且在不同檢測類型的心律失?；颊咧?，AI-ECG組心電設(shè)備對心律失常的陽性率診斷率均顯著高于常規(guī)Holter組，差異有統(tǒng)計學(xué)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(jiān)測實際發(fā)生預(yù)警情況和應(yīng)預(yù)警情況比較 AI實際發(fā)生預(yù)警的有效率與實際應(yīng)預(yù)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(tǒng)計學(xué)意義(P>0.05)。見表3。

表3 AI-ECG監(jiān)測實際發(fā)生預(yù)警情況和應(yīng)預(yù)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(tǒng)計學(xué)意義(P<0.01)。見表4。

2.5 預(yù)警器預(yù)警 實時監(jiān)護(hù)中通過預(yù)警器預(yù)警發(fā)現(xiàn)危及生命的惡性心律失常105例，及時通知醫(yī)生及用戶給予有效的干預(yù)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(jiān)護(hù)過程中出現(xiàn)長間歇，自動報警，均立即通知病房給予相應(yīng)處理;次日在遠(yuǎn)程心電監(jiān)護(hù)下為患者行永久性起搏器植入術(shù)

圖4 入院后佩戴AI-ECG，監(jiān)護(hù)過程中出現(xiàn)室性心動過速 (自動報警)，立即通知醫(yī)生給予心肺復(fù)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(tǒng)性訓(xùn)練，更嚴(yán)重還可能導(dǎo)致身體健康受到嚴(yán)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(xùn)練的運動員[1]。研究表明，發(fā)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(fā)生的主要原因80%與心血管疾病有關(guān)，其中90%以上的原因是由于心律失常所致[10-12]。研究發(fā)現(xiàn)，心臟性猝死事件一旦發(fā)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(dá)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(yī)學(xué)領(lǐng)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(xiàn)實時、遠(yuǎn)程、全程監(jiān)測和GSM網(wǎng)絡(luò)傳輸。實現(xiàn)及時預(yù)警、早期救治、減少并發(fā)癥、提高生活質(zhì)量，建立監(jiān)測-預(yù)警-救治-康復(fù)四位一體的三級預(yù)防體系。

本研究結(jié)果顯示，AI-ECG對于心電圖處理時間與常規(guī)holter比較，差異有統(tǒng)計學(xué)意義(P<0.01)；并且本研究將AI-ECG應(yīng)用于心律失?；颊?，結(jié)果顯示，AI-ECG實際發(fā)生預(yù)警的有效率與實際應(yīng)該預(yù)警的有效率進(jìn)行比較，差異無統(tǒng)計學(xué)意義(P>0.05)，通過上述結(jié)果表明AI-ECG與傳統(tǒng)Holter相比對臨床心律失?；颊邞?yīng)用有效，能穩(wěn)定的提供準(zhǔn)確的實時心電圖數(shù)據(jù)，捕捉具有重要臨床意義的心臟電生理數(shù)據(jù)。此結(jié)果與近5年內(nèi)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(jīng)網(wǎng)絡(luò)(deepneural network，DNN)，能夠經(jīng)驗性地找出輸入數(shù)據(jù)(心電圖)和輸出數(shù)據(jù)(診斷)之間的關(guān)系，一旦這種關(guān)系確立，AI 就可以高敏感性、高準(zhǔn)確性地給出診斷[15,16]。AI表現(xiàn)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(shù)據(jù)的精度可達(dá)人工測量精度10倍[16,17]。同樣Hannun等[18]研究證實DNN的AUC達(dá)到0.97，DNN(0.837)的調(diào)和平均值超過了普通心臟病學(xué)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(jié)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(tài)心電算法對患者心律失常的陽性診斷率可達(dá)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(tǒng)計學(xué)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(tǒng)計學(xué)意義(P<0.05)，此結(jié)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(jié)構(gòu)變化在內(nèi)的許多病理改變。大量研究結(jié)果也證實AI 能單純收集大量信息，自我學(xué)習(xí)，而不需要進(jìn)一步編程或數(shù)據(jù)預(yù)處理的，使其在處理大量心電圖時有著極佳的優(yōu)勢，并在普通動態(tài)心電圖的基礎(chǔ)上提高臨床診斷的準(zhǔn)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(dǎo)聯(lián)心電圖數(shù)據(jù)，構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)。該算法能夠在正常竇性心電圖中發(fā)現(xiàn)與心房纖顫史或者即將發(fā)生心房纖顫有關(guān)的心房結(jié)構(gòu)的改變。上述結(jié)果均證實AI預(yù)測潛在的心律失常，AI 能夠自動通過大數(shù)據(jù)進(jìn)行自我學(xué)習(xí)，并且給出準(zhǔn)確的診斷結(jié)果，因此具有巨大的應(yīng)用潛力，與該課題研究結(jié)果相一致。心內(nèi)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(nèi)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(fā)生常常優(yōu)先于心血管疾病患者早期臨床癥狀出現(xiàn)，此時的智能識別及時的心電預(yù)警就為臨床心內(nèi)科醫(yī)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(yīng)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(biāo)，如血藥濃度、電解質(zhì)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?jǐn)?shù)<35%的患者，且診斷的ROC可達(dá)0.93[25,26]。更有研究發(fā)現(xiàn)，僅通過十二導(dǎo)聯(lián)心電圖，AI就能夠高準(zhǔn)確性地預(yù)測出患者的性別與年齡[27]，進(jìn)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(guān)的信息，使用AI分析心電圖，對于包括心律失常在內(nèi)的許多心臟相關(guān)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(guī)模應(yīng)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(xué)習(xí)并進(jìn)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(yù)防并發(fā)癥和改善預(yù)后。