这是一篇开放获取的文章,根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒体上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR Cardio上的原创作品。必须包括完整的书目信息,https://cardio.www.mybigtv.com上的原始出版物的链接,以及此版权和许可信息。
心房颤动(AF)的检测是一个主要的临床挑战,因为AF通常是阵发性和无症状的。新型移动医疗(mHealth)技术可以为房颤筛查提供经济可靠的解决方案。然而,许多这些技术还没有得到临床验证。
本研究的目的是评估人工智能(AI)心律失常分析用于AF检测的可行性和可靠性,使用一种为个人健康而设计的mHealth贴片设备。
患者(N=178)有房颤(N= 79,44%)或窦性心律(N= 99,56%)从急诊科招募。使用mHealth贴片设备记录单导联、24小时基于心电图的心率变异性(HRV)测量,并使用新型AI心律失常分析软件进行分析。同时登记的3导联心电图(Holter)作为最终节律诊断的金标准。
在单先导移动健康补丁产生的HRV数据中,81.5%(3099/3802小时)是可解释的,基于主题的可解释HRV数据的中位数为99%(第25百分位=77%,第75百分位=100%)。AI心律失常检测算法在AF组所有患者中均正确检测到AF,在对照组中提示5例患者存在AF,基于受试者的AF检测准确率为97.2%,灵敏度为100%,特异性为94.9%。AI心律失常检测算法基于时间的AF检测准确率、灵敏度和特异性分别为98.7%、99.6%和98.0%。
通过mHealth补丁设备进行24小时HRV监测,实现了准确的自动房颤检测。因此,具有AI心律失常分析功能的可穿戴mHealth贴片设备是一种新型的房颤筛查方法。
ClinicalTrials.gov NCT03507335;https://clinicaltrials.gov/ct2/show/NCT03507335
心房颤动(AF)是全球最常见的心律失常,与显著的发病率和死亡率相关,对患者、公共卫生和卫生保健预算造成重大负担[
由于健康和个人健康监测已经成为许多人日常生活的一部分,一项非常受欢迎和不断发展的移动医疗技术可以以相对较低的成本和很少的后勤工作惠及人群进行筛查。其中一些新设备可以产生心率变异性(HRV)数据,这些数据已被广泛用于评估各种健康指标,如恢复和压力监测[
该研究于2018年4月至2019年12月在库奥皮奥大学医院进行单中心研究。研究的患者是从医院急诊科招募的。纳入标准为房颤或窦性心律(SR)(基于入院期间记录的12导联静息心电图)。排除标准如下:(1)估计住院时间<24小时;(2) BMI≥35kg/m2;(3)左束支块或右束支块;(4)植入式心脏起搏器;(五)有需要立即治疗的疾病的。采用标准化数据收集方案收集患者入院前的临床特征和症状,并从病历中确认或补充。所有参与者都提供了书面知情同意书以参加研究。 All data were pseudonymized. Each subject was given an ID number, and the data were kept locked and encrypted in the study files. The measurement data did not include personal data. The research data collected in the study will be treated confidentially as required by the Personal Data Act.
将单导联ecg的HRV设备(Firstbeat Bodyguard 2, Firstbeat Technologies)贴于患者胸部,并贴2个粘胶贴片,如图
心率变异性(HRV)和心电图(ECG)记录。单导联ECG的HRV记录(1)和3导联Holter心电图记录(2)。LA:左臂;lh:左肢体;RA:右臂;V3: 12导联心电图的V3导联。
使用商业心律失常分析软件(aware, Heart2Save)从HRV数据自动筛查房颤。AI心律失常检测算法将30秒时间窗内的HRV数据分为SR、AF和不可解释3类。通过将HRV记录与金标准Holter心电图记录进行比较,进一步评估了基于人工智能的心律分类的准确性。使用Medilog Darwin Professional V2.8.1软件(Schiller Global)分析Holter心电图记录。心电图记录由4名研究人员独立审查,对最初的12导联心电图进行盲查,并将其分为房颤或非房颤节律。
研究样本的大小估计为200个观察值,假定敏感性为95%,边际误差为3%。AF组与对照组比较
研究设计得到了北萨沃医院区研究伦理委员会的批准(347/2018)。
共有654名患者接受了资格评估。在对研究患者的初步评估中,454例(69.4%)患者因总结的原因被排除在外
与对照组相比,房颤患者年龄更大(77例,SD 10 vs 68例,SD 15岁;
学习流程图。AF:房颤;HRV:心率变异性。
病人的人口统计资料。
特征和人口统计 | 对照组(n=99) | 房颤一个组(n = 79) | 意义(双向) | |||||
年龄(年),平均值(SD) | 68 (15) | 77 (10) | <措施 | |||||
BMI(公斤/米2),平均值(SD) | 26日(4) | 27日(4) | 16 | |||||
|
.09点 | |||||||
|
男性,n (%) | 40 (40) | 42 (53) |
|
||||
|
女 | 59 (60) | 37 (47) |
|
||||
|
|
|||||||
|
早期房颤发作 | 21 (21) | 63 (80) | <措施 | ||||
|
冠心病 | 27日(27) | 26 (33) | .41点 | ||||
|
糖尿病 | 21 (21) | 19 (24) | 主板市场 | ||||
|
高血压 | 57 (58) | 59 (75) | 02 | ||||
|
充血性心力衰竭 | 12 (12) | 39 (49) | <措施 | ||||
|
既往心脏手术 | 7 (7) | 15 (19) | 02 | ||||
|
|
|||||||
|
抗凝治疗 | 26日(26) | 67 (84) | <措施 | ||||
|
β-受体阻滞药 | 42 (42) | 56 (71) | <措施 | ||||
|
地高辛 | 4 (4) | 13 (17) | .005 | ||||
|
抗心律失常的药物 | 1 (1) | 1 (1) | >。 | ||||
|
|
|||||||
|
一般情况下降 | 56 (57) | 45 (57) | .96点 | ||||
|
乏力 | 51 (52) | 47 (60) | 29 | ||||
|
心慌 | 23日(23) | 34 (43) | .005 | ||||
|
呼吸窘迫 | 26日(26) | 39 (49) | <措施 | ||||
|
胸部疼痛 | 17 (17) | 18 (23) | .35点 |
一个心房颤动。
在HRV数据的自动分析中(所有受试者),3802小时中有3099小时(81.5%)被估计为可解释的。在Holter心电图记录中,3723小时被认为是可解释的。基于AI心律失常检测算法的评估,估计AF组记录的1308/1543小时(84.8%)和对照组记录的1753/2180小时(80.4%)是可解释的。可解释数据的基于主题的中位数为99%(第25百分位=77%,第75百分位=100%)(
个体受试者记录中可解释心率变异性数据的百分比。使用自动质量值对主题进行排序。
根据HRV和ECG记录中可解释的数据(3062小时)评估节律分析的准确性。AI心律失常算法在AF组所有患者中均正确检测到AF,在对照组中有5例患者提示存在AF (AF假阳性检测),基于受试者的AF检测准确率为97.2%(173/178),灵敏度为100%(79/79),特异性为94.9% (94/99),PPV为94.0% (79/84),NPV为100% (94/94)(
基于主题和时间的AF检测精度、灵敏度和特异性的人工智能心律失常检测算法。
算法类型 | 准确度,n/ n (%) | 灵敏度,n/ n (%) | 特异性,n/ n (%) |
基于subject的算法 | 173/178 (97.2) | 79/79 (100) | 94/99 (94.9) |
基于时间算法(h) | 3022/3062 (98.7) | 1304/1308 (99.6) | 1718/1753 (98.0) |
PPV一个和净现值b基于人工智能的心律失常检测算法。
算法类型 | PPV, n/ n (%) | NPV, n/ n (%) |
基于subject的算法 | 79/84 (94.0) | 94/94 (100) |
基于时间算法(h) | 1304/1339 (97.4) | 1718/1723 (99.7) |
一个PPV:阳性预测值。
bNPV:负预测值。
我们证明了mHealth贴片设备和AI心律失常检测算法用于AF检测的良好可行性和诊断性能。主要发现如下:(1)为健康和个人健康保健测量而设计的移动健康贴片设备通过24小时记录产生可解释的HRV数据;(2) AI心律失常检测算法从HRV数据中实现了准确的AF检测。
基于心电图的可穿戴设备,尤其是贴片,可能是追踪HRV数据最有价值的方法[
本研究用于检测AF的AI心律失常检测算法的诊断准确性与其他筛查方法和设备相当。在之前的研究中,自动房颤检测的灵敏度在67%到100%之间,特异性在84%到100%之间,这取决于所使用的移动或数字技术和策略[
目前的指南建议对中风风险较高的人进行房颤筛查,如65岁以上的人[
我们承认我们的研究存在一些局限性。首先,病态肥胖的存在会降低信号质量,从而产生更多失败的测量。此外,在右束分支块和左束分支块的情况下,宽2峰QRS复合体的存在会导致错误的R-R区间,从而导致自动算法错误地检测AF。由于这些原因,这些患者被排除在外,这些亚组将需要进一步的研究。在未来,使用HRV mHealth贴片设备进行基于算法的房颤检测将需要在院外环境中进行,以评估这些场景下房颤检测的信号质量和准确性。
mHealth贴片设备提供了高质量的HRV数据,可通过24小时监测准确自动检测房颤。AI心律失常检测算法检测房颤具有较高的准确性、敏感性和特异性。因此,具有AI心律失常分析功能的可穿戴移动健康贴片设备可能是一种新的、有前景的房颤筛查方法。
心房纤颤
人工智能
心电图
心率变异性
移动健康
负预测值
阳性预测值
窦性节律
这项工作得到了库奥皮奥大学医院集水区国家研究基金研究委员会的支持(项目5101137和项目507T044)。OES获得了赫尔辛基大学医院基金、急诊医学和服务部、Antti和Tyyne Soininen基金会、Aarne Koskelo基金会、芬兰心血管研究基金会和芬兰医学基金会的研究支持。我们感谢库奥皮奥大学医院的护理和医务人员,特别是Menna Kuosmanen、Matias Rapo、Antti Redsven、Roope Sepponen、Salla Autio和Vilppu Kekkonen在数据获取方面的工作,Oona Silvennoinen提供插图协助,Tuomas Selander提供统计建议。
所有作者都对这份手稿的研究和准备做出了贡献。TJM, JAL, HJ, MPT, JH, JEKH, TTR, OES和ESV设计了这项研究。OES和ESV负责收集数据。JAL、OES、ESV、TPL和TML参与了数据分析和图表编制。OES, JH, HJ, TTR, MPT, TPL, TML, MC, ESV, OAR, NSN, JEKH, JAL和TJM负责编辑和进一步改进手稿。OES负责文献检索、起草初版稿件、最终编辑和准备稿件提交。所有作者都阅读并批准了最终的手稿。
OES、JAL、TTR、TJM、HJ、JH、ESV和MPT是一家公司(Heart2Save)的股东,该公司为医疗设备设计基于心电图的软件。日航、MPT和HJ报告了来自Heart2Save的个人费用。