深度学习ai可以从正常节律心电图中识别心房颤动

一种人工智能(AI)模型已经被发现可以识别间歇性房颤患者，即使是在正常心律下使用快速和无创的10秒测试，而目前的测试可能需要数周到数年。尽管在实施之前还需要早期和进一步的研究，但这些发现可以帮助医生调查不明原因的中风或心力衰竭，使适当的治疗成为可能。

研究人员训练了人工智能模型来检测心房的签名纤维化从正常节律的病人身上提取10秒的心电图(ECG)。这项研究涉及近18.1万名患者，并发表在柳叶瓶，是第一个使用深度学习鉴定具有潜在未检测到的心房颤动的患者，总体准确性为83％。该技术在ECG中发现了可能对人眼不可见的ECG的信号，但包含有关心房颤动的存在的重要信息。

心房颤动估计在美国影响2.7-610万人，与增加的风险有关中风,心脏衰竭和死亡率。单次心电图很难检测到，因为病人的心脏可以进出这种异常节律，所以心房颤动经常未被诊断。

美国梅奥诊所的心血管医学系主席Paul Friedman博士说：“将AI模型应用于ECG允许检测心房颤动，即使在ECG记录时也不存在。这就像看海洋现在，能够昨天判断大浪。“

他指出:“目前，人工智能已经在需要临床调查的人群中使用心电图进行训练，而不是在不明原因的中风患者或总体人群中，所以我们还不确定它在诊断这些人群时的表现如何。然而，通过一种非侵入性且可广泛使用的测试快速、廉价地进行测试的能力，有一天可能有助于识别未确诊的心房颤动，并指导重要的治疗，预防中风和其他严重疾病。”

在未解释的中风后，重要的是准确地检测心房颤动，使其具有抗凝治疗，以降低经常性中风的风险，以及其他患者（可能受到这种治疗的伤害）的风险不是。目前，在这种情况下检测需要数周到几年，有时用植入装置，可能将患者视为目前的方法并且目前的方法并不总是可以准确地检测心房颤动，或者花费太长。

心房颤动的心脏发育结构变化，如腔室扩大。在这些变化对如超声心动图之类的标准成像技术可见之前，可能存在与心房颤动相关的心脏的纤维化（瘢痕）。另外，心房颤动的存在可能暂时修改心肌的电性质，即使它已经结束。

研究人员列出了一个神经网络 - 一类深度学习AI - 以识别标准ECG的微妙差异，因为神经网络是“黑匣子”以及驱动他们的特定发现观察不知道。作者使用了1993年12月和2017年7月之间从近181,000名患者（约650,000CECCANS）收购的心脏节奏ECG，将数据除以患者对心房颤动的患者。

ECG数据被分配为三组：培训组中具有70％的培训，内部验证和测试数据集，验证和优化中的10％，测试组20％（培训数据集126,526名ECG，64,340个ECG。从验证数据集的18,116名患者和130,802个ECG，从36,280名患者中的测试数据集）。

AI在鉴定心房颤动的存在时表现良好：在每位患者的第一心脏ECG输出上测试，精度为79％（用于单次扫描），并且在同一患者使用多个ECG时，精度提高到83％。需要进一步的研究来证实特定群体的性能，例如未解释的中风（栓塞次源 - esus的栓塞卒中）或心力衰竭的患者。

该研究的作者还推测，也许有一天，这项技术可以作为医生手术中的即时诊断测试，来筛查高危人群。对高血压、糖尿病或65岁以上的人进行心房纤颤筛查有助于避免健康问题，然而，目前的检测方法成本高昂，而且识别的患者很少。此外，这种筛查目前需要佩戴一个大而不舒服的心脏监测器数日或数周。

美国梅奥诊所的研究共同调查员萧省姚博士说：“我们的算法可能会用于低成本，广泛的技术，包括智能手机，但这将需要更多的研究在广泛应用之前。"

作者注意到在他们的工作到达诊所之前的几个限制和进一步的研究。与一般人群相比，研究的人口可能具有更高的心房颤动的患病率。因此，AI已被培训以回顾性地分类临床指示的心电图，而不是用于健康患者的预测，或者具有无法解释的中风的人，并且可能需要在广泛应用之前进行校准，以筛选更广泛的健康人群。

如果他们没有经过验证的诊断，患者被认为是阴性颤动的阴性，但有可能有些患者被错误地解除并标记，因此AI可能已经确定了以前的测试没有。另一方面，某些由AI鉴定的假阳性患者具有心房颤动的历史（尽管被人类被归类为阴性），但实际上可能具有未确诊的心房颤动。由于AI仅与数据一样好，因此当测试应用于其他群体时，在解释中可能存在错误，例如没有指示的心电图的个体。

在一个链接评论中，澳大利亚阿德莱德大学和皇家阿德莱德医院的Jeroen Hendriks博士说:“总的来说，我们应该祝贺Attia和他的同事们的创新方法，以及人工智能心电图的彻底开发和本地验证。鉴于人工智能算法在诊断性能方面最近已经达到了心脏病专家的水平，这种人工心电图解释在创建一种算法来揭示可能性方面是开创性的心房颤动在ECG显示窦性心律。“

---

---