李方江 张爱爱 张鹏祥 王晓元 李飞星 陶冬

心律失常是院内心血管疾病常见的死亡原因之一，全世界因心律失常诱发突发性心脏骤停，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]，而运动性心律失常最终导致运动员心脏性猝死发病率是正常人群的2.4倍[3,4]。以心房颤动为例，尤其是阵发性心房颤动，心电图仍旧为诊断的核心方法，目前临床上对心律失常的诊断多依赖于常规十二导联心电图及24 h动态心电图(Holter)，以提供心电监测，短时间的心电图操作时间短，只能捕捉当下患者的心律状态，常常导致心律失常的漏诊；床边心电监护仪具有价格昂贵、体积大、需要电源接线等特点，并且临床上主要用于医院危重患者的床边监护；而患者及运动爱好者使用Holter时需要携带电极片、导线和仪器，不仅影响生活而且易受干扰，后续数据处理繁琐且部分诊断准确性不高，导致大规模使用受限[5,6]。随着计算机智能技术飞速发展，人工智能(artificial intelligence，AI)科技及包括可穿戴式设备在内的许多其他辅助技术，对心律失常的诊断提供了强有力的依据[7]。AI算法可以从海量的数据库中直接学习，无需特殊人为编程且可及时预警，这一特点在心血管领域对疾病诊断、分类、风险分层、健康监测及最佳治疗方案的选择中都具有强大的潜力，且其对于心电数据往往比医师有着更高的灵敏度，能够发现医师不能发现和理解的地方[8]。因此我院与深圳源动创新科技有限公司团队合作，佩戴AI-ECG动态心电记录仪，旨在探讨AI-ECG对心律失常检测的临床应用价值，帮助早期诊断，及时预警恶性心律失常的发生更加高效准确地完成临床指导工作，降低心血管疾病发作的病死率。

1 资料与方法

1.1 一般资料 选择2020年4月至2021年3月于心内科就诊的1 240例患者，包括门诊520例，住院720例;其中男610例,女630例；年龄28～96岁，平均年龄(38.1±10.6)岁。同时佩戴AI-ECG及常规24 h动态心电图收集心律失常样本。并根据临床心律失常分类，将本课题研究对象分为窦性心律失常组(n=386)、房性心律失常组(n=282)、房室交界区性心律失常组(n=248)、室性心律失常组(n=180)、心脏传导阻滞组(n=144)。

1.2 纳入与排除标准

1.2.1 纳入标准：心电检查及其诊断均须符合《内科学》标准要求。所有相关临床检测资料须征得患者及其家属的知情同意，并获得医学伦理委员会统一批准。

1.2.2 排除标准：严重多脏器功能衰竭、心血管疾病终末期、甲状腺功能亢进、神经系统疾病及因严重精神功能障碍或言语沟通障碍不能及时配合完成临床观察的患者。

1.3 方法

1.3.1 数据采集方法:①本研究AI-ECG组使用由深圳源动创新科技有限公司生产的ER1动态心电记录仪，基于深度学习算法(卷积神经网络)的先进心电图分析引擎来自动提取患者心电图，ER1动态心电记录仪可以长时间佩戴，采集的心电数据通过USB上传至PC端并发送至乐普医AI-ECGPlatform平台分析，同时实时监护分析团队将会对患者的数据进行分析与审核，最终将报告再回传至医生，客户端为后续的治疗方案提供依据，此产品佩戴时不影响美观，同时也不影响用户的活动，增强其适应性及抗干扰性。

②Holter组采用普通24 h动态心电图进行诊断，由2位专业心血管内科医生及心电图专业医师根据心电图对受试者的心律信息做出诊断，若诊断结果一致，则作为诊断标准，若不一致则提交3名心电临床专家复核，3位专家的一致性结果作为诊断标准。

1.3.2 电极佩戴方式:本研究使用的AI-ECG设备有两种佩戴方式：心电电极佩戴方式：R端朝右边，高于左边，轴线和肩部斜线平行，R端距离锁骨切迹<2 cm；胸带佩戴方式：心贴在胸骨下方的中间位置，无需心电电极片，本实验研究采取胸带佩戴方式。

1.4 观察指标 观察心电图处理时间、心律失常阳性检测率、人工智能心电监测就预警次数和实际发生预警资料，评估人工智能心电监测为金标准对比研究的有效性。

2 结果

2.1 2组心电图处理时间比较 AI-ECG组心电图处理时间低于Holter组，差异有统计学意义(P<0.01)。见表1。

表1 2组心电图处理时间比较

2.2 2组心律失常阳性诊断情况的比较 AI-ECG组心律失常检测的阳性率可达68.87%(854/1 240)，显著高于Holter组检测的38.87%(482/1 240)，差异有统计学意义(P<0.05)。且在不同检测类型的心律失常患者中，AI-ECG组心电设备对心律失常的阳性率诊断率均显著高于常规Holter组，差异有统计学意义(P<0.05)。见表2。

表2 2组心律失常阳性诊断情况比较 例(%)

2.3 AI监测实际发生预警情况和应预警情况比较 AI实际发生预警的有效率与实际应预警的有效率 分别为93.51% (360/385)和92.43%(220/238)；2组有效率比较，差异无统计学意义(P>0.05)。见表3。

表3 AI-ECG监测实际发生预警情况和应预警情况比较 次(%)

2.4 2组满意率比较 AI-ECG组满意率为(95.16%)，明显高于Holter组满意率(80.65%)，差异有统计学意义(P<0.01)。见表4。

2.5 预警器预警 实时监护中通过预警器预警发现危及生命的恶性心律失常105例，及时通知医生及用户给予有效的干预措施，抢救成功97例。见图3、4。

表4 AI-ECG组与Holter组满意情况 n=1 240,例(%)

图3 入院后用户佩戴AI-ECG，在监护过程中出现长间歇，自动报警，均立即通知病房给予相应处理;次日在远程心电监护下为患者行永久性起搏器植入术

图4 入院后佩戴AI-ECG，监护过程中出现室性心动过速 (自动报警)，立即通知医生给予心肺复苏、电除颤、药物抢救

3 讨论

运动性心律失常影响运动员的比赛成绩以及后期的系统性训练，更严重还可能导致身体健康受到严重危害，尤其对于耐力性运动员和从事过高强度、大运动量训练的运动员[1]。研究表明，发生心房纤颤与心房扑动的概率明显高于其他项目运动员[9]。运动性猝死发生的主要原因80%与心血管疾病有关，其中90%以上的原因是由于心律失常所致[10-12]。研究发现，心脏性猝死事件一旦发生，其救治成功率低、病死率高，在我国心脏猝死的救治成功率低于1%，而在美国也仅仅达到8%～10%[12-14]。因此如何提高心脏性猝死的救治成功率是目前心脏运动医学领域亟待解决的问题之一。本课题开展了AI-ECG对临床心律失常诊断有效性的评估。

AI-ECG具有体积小、重量轻、抗干扰能力强、不影响运动，可实现实时、远程、全程监测和GSM网络传输。实现及时预警、早期救治、减少并发症、提高生活质量，建立监测-预警-救治-康复四位一体的三级预防体系。

本研究结果显示，AI-ECG对于心电图处理时间与常规holter比较，差异有统计学意义(P<0.01)；并且本研究将AI-ECG应用于心律失常患者，结果显示，AI-ECG实际发生预警的有效率与实际应该预警的有效率进行比较，差异无统计学意义(P>0.05)，通过上述结果表明AI-ECG与传统Holter相比对临床心律失常患者应用有效，能稳定的提供准确的实时心电图数据，捕捉具有重要临床意义的心脏电生理数据。此结果与近5年内若干项 AI 与心律失常的研相一致，这些研究都描述了AI通过建立深度神经网络(deepneural network，DNN)，能够经验性地找出输入数据(心电图)和输出数据(诊断)之间的关系，一旦这种关系确立，AI 就可以高敏感性、高准确性地给出诊断[15,16]。AI表现出相较于人类更高的效率、速率及客观性，利用计算机分析所测量心电图数据的精度可达人工测量精度10倍[16,17]。同样Hannun等[18]研究证实DNN的AUC达到0.97，DNN(0.837)的调和平均值超过了普通心脏病学家(0.780)。本研究对1 240 例研究者同时采用AI-ECG检测及Holter检测，通过将研究对象分为上述5大类心律失常事件，研究结果表明AI-ECG对心律失常的阳性诊断率显著高于Holte检测，AI-ECG动态心电算法对患者心律失常的阳性诊断率可达68.87%(854/1 240)，显著高于Hotel检测的阳性率38.87%(482/1 240)，差异有统计学意义(P<0.05)；且在5大不同类型的心律失常诊断事件中，AI-ECG对心律失常的阳性诊断率均显著高于Holter组，差异有统计学意义(P<0.05)，此结果表明AI 能够找到其中某些人眼不可见的微小的心电异常，但这些异常往往包含了大量的信息，其中包括心律失常、心脏结构变化在内的许多病理改变。大量研究结果也证实AI 能单纯收集大量信息，自我学习，而不需要进一步编程或数据预处理的，使其在处理大量心电图时有着极佳的优势，并在普通动态心电图的基础上提高临床诊断的准确性[15-17]。Attia等[19]利用AI分析了454 789例已有明确诊断的10 s十二导联心电图数据，构建了卷积神经网络。该算法能够在正常窦性心电图中发现与心房纤颤史或者即将发生心房纤颤有关的心房结构的改变。上述结果均证实AI预测潜在的心律失常，AI 能够自动通过大数据进行自我学习，并且给出准确的诊断结果，因此具有巨大的应用潜力，与该课题研究结果相一致。心内科患者多病情早期变化快、病情重、猝死率高，使用 AI 分析心电图，对于包括心律失常在内的许多心脏疾病可能具有极高的诊断潜力。而此时心电图危急值的发生常常优先于心血管疾病患者早期临床症状出现，此时的智能识别及时的心电预警就为临床心内科医师对患者的早期病情评估及诊断提供了重要临床信息，从而为其赢得更充分的临床救治时间，提高心血管疾病临床诊的治率，在临床心律失常应用中具有潜力[20,21]。AI除了对心律失常的诊断有作用外，其还可评估检测多种心血管方面的指标，如血药浓度、电解质紊乱，也可以对冠心病做出高精确的诊断[22-24]，甚至可以在无症状患者中仅仅使用心电图就能筛选出左心室射血分数<35%的患者，且诊断的ROC可达0.93[25,26]。更有研究发现，仅通过十二导联心电图，AI就能够高准确性地预测出患者的性别与年龄[27]，进一步证明了心电图不仅包含了心律失常还包含大量与心脏有关的信息，使用AI分析心电图，对于包括心律失常在内的许多心脏相关疾病将会具有很大的运用潜力。

综上所述，本研究探讨AI-ECG对心律失常检测的临床价值，尽管AI方法目前尚未大规模应用于心律失常的辅助诊断，但其无需特殊人为编程，能高精度的自我学习并进行分类，使得心律失常的误诊率和漏诊率降到最低，提高高危心律失常的处理速度，最大限度帮助诊断和治疗心律失常，预防并发症和改善预后。