早期發(fā)現(xiàn)心房顫動可以降低卒中和心力衰竭的風(fēng)險，但對患者進行篩查在歷史上一直具有挑戰(zhàn)性
近日，Scripps Research Translational Institute科學(xué)家設(shè)計的一種新的人工智能 （AI） 模型可以幫助臨床醫(yī)生更好地篩查患者的心房顫動（或 AFib）——一種與中風(fēng)和心力衰竭相關(guān)的不規(guī)則、快速心跳。該模型可以捕捉到一個人正常心跳的微小變化，這些變化表明了AFib風(fēng)險，而標(biāo)準(zhǔn)篩查測試無法檢測到。
該研究結(jié)果于2023年12月12日發(fā)表在《npj Digital Medicine》雜志上，使用了近五十萬人的數(shù)據(jù)，這些人每人都佩戴了心電圖（ECG）貼片來記錄兩周的心律——這是AFib和其他心臟病的常規(guī)篩查測試。然后，人工智能模型分析了這些數(shù)據(jù)，以找到除AFib本身之外的模式，這些模式將AFib患者與非AFib患者區(qū)分開來。這種新模型有可能更好地檢測那些有房顫風(fēng)險的人，并最終預(yù)防這種心臟病的嚴重副作用，包括中風(fēng)和心力衰竭。
研究者Giorgio Quer博士表示， “有了這個新工具，我們可以更好地識別AFib高風(fēng)險患者，以進行進一步的測試和干預(yù)，”他是斯克里普斯研究轉(zhuǎn)化研究所人工智能主任，斯克里普斯研究數(shù)字醫(yī)學(xué)助理教授。“從長遠來看，這有助于將正確的資源提供給正確的人，并有可能降低中風(fēng)和心力衰竭的發(fā)生率。
AFib 引起的心律不齊會導(dǎo)致血液在心臟中淤積并形成血凝塊，從而導(dǎo)致中風(fēng)。心房顫動還與心力衰竭或死亡風(fēng)險增加有關(guān)。為了預(yù)防已知房顫患者的這些并發(fā)癥，臨床醫(yī)生通常會開抗凝劑（預(yù)防血栓的藥物）以及其他生活方式和藥物療法。然而，診斷 AFib 可能很棘手，因為許多患有這種疾病的人只是偶爾出現(xiàn)心律不齊，或者癥狀很少。
在一些人中，AFib 會導(dǎo)致心悸、頭暈、呼吸急促和胸痛。對于有這些癥狀的患者，心臟病專家通常會在他們的辦公室使用非常詳細的心電圖記錄心律約十秒鐘，其中包括放置在身體上的十個電極。如果沒有任何問題，他們建議使用更簡單的可穿戴心電圖貼片進行一到兩周的持續(xù)家庭監(jiān)測，該貼片只有一個電極。但即使在兩周的時間里，偶爾出現(xiàn) AFib 的人也可能沒有被這個設(shè)備捕捉到。
這就是為什么Quer與iRhythm Technologies（一種名為ZioXT的可穿戴心電圖貼片的制造商）合作，著手在AFib患者的心電圖數(shù)據(jù)中尋找其他模式。
Quer表示：“我們相信，對于患有AFib的人來說，心臟的電活動略有不同，但差異是如此微妙，以至于心臟病專家無法查看心律的打印輸出并識別這些差異。”
該團隊開發(fā)了一個機器學(xué)習(xí)模型來分析iRhythm收集的459,889人的數(shù)據(jù)，這些人佩戴了該公司的家用心電圖貼片兩周。從每個心電圖中，該模型使用一天的數(shù)據(jù)，其中不含AFib。然而，它能夠區(qū)分后來患有 AFib 的人和沒有 AFib 的人。
即使研究人員將所有已知的 AFib 風(fēng)險因素整合到他們自己的手動模型中（包括人口統(tǒng)計數(shù)據(jù)和心電圖測量，例如不同心跳之間的變異性），機器學(xué)習(xí)模型在預(yù)測 AFib 風(fēng)險方面也更準(zhǔn)確。
重要的是，該模型對 AFib 風(fēng)險較高的老年人群和 55 歲以下人群（風(fēng)險低得多且通常被排除在一般 AFib 篩查之外）仍然準(zhǔn)確。
雖然該模型不用于診斷 AFib，但它是為 AFib 風(fēng)險增加或出現(xiàn)癥狀的人設(shè)計篩查測試的第一步。這樣，他們就可以佩戴心電圖貼片一天，以確定是否建議進行更長的測試?；蛘撸撃Ｐ涂梢苑治鲆恢芑騼芍艿男碾妶D數(shù)據(jù)，以確定即使在該時間范圍內(nèi)沒有任何 AFib 的患者也應(yīng)該進行重復(fù)測試。這種人工智能模型可以真正幫助那些AFib發(fā)作非常少但仍然可以從診斷和干預(yù)中受益的人。
京公網(wǎng)安備11010802046783號
