早期发现心房颤动可以降低卒中和心力衰竭的风险,但对患者进行筛查在历史上一直具有挑战性
近日,Scripps Research Translational Institute科学家设计的一种新的人工智能 (AI) 模型可以帮助临床医生更好地筛查患者的心房颤动(或 AFib)——一种与中风和心力衰竭相关的不规则、快速心跳。该模型可以捕捉到一个人正常心跳的微小变化,这些变化表明了AFib风险,而标准筛查测试无法检测到。
该研究结果于2023年12月12日发表在《npj Digital Medicine》杂志上,使用了近五十万人的数据,这些人每人都佩戴了心电图(ECG)贴片来记录两周的心律——这是AFib和其他心脏病的常规筛查测试。然后,人工智能模型分析了这些数据,以找到除AFib本身之外的模式,这些模式将AFib患者与非AFib患者区分开来。这种新模型有可能更好地检测那些有房颤风险的人,并最终预防这种心脏病的严重副作用,包括中风和心力衰竭。
研究者Giorgio Quer博士表示, “有了这个新工具,我们可以更好地识别AFib高风险患者,以进行进一步的测试和干预,”他是斯克里普斯研究转化研究所人工智能主任,斯克里普斯研究数字医学助理教授。“从长远来看,这有助于将正确的资源提供给正确的人,并有可能降低中风和心力衰竭的发生率。
AFib 引起的心律不齐会导致血液在心脏中淤积并形成血凝块,从而导致中风。心房颤动还与心力衰竭或死亡风险增加有关。为了预防已知房颤患者的这些并发症,临床医生通常会开抗凝剂(预防血栓的药物)以及其他生活方式和药物疗法。然而,诊断 AFib 可能很棘手,因为许多患有这种疾病的人只是偶尔出现心律不齐,或者症状很少。
在一些人中,AFib 会导致心悸、头晕、呼吸急促和胸痛。对于有这些症状的患者,心脏病专家通常会在他们的办公室使用非常详细的心电图记录心律约十秒钟,其中包括放置在身体上的十个电极。如果没有任何问题,他们建议使用更简单的可穿戴心电图贴片进行一到两周的持续家庭监测,该贴片只有一个电极。但即使在两周的时间里,偶尔出现 AFib 的人也可能没有被这个设备捕捉到。
这就是为什么Quer与iRhythm Technologies(一种名为ZioXT的可穿戴心电图贴片的制造商)合作,着手在AFib患者的心电图数据中寻找其他模式。
Quer表示:“我们相信,对于患有AFib的人来说,心脏的电活动略有不同,但差异是如此微妙,以至于心脏病专家无法查看心律的打印输出并识别这些差异。”
该团队开发了一个机器学习模型来分析iRhythm收集的459,889人的数据,这些人佩戴了该公司的家用心电图贴片两周。从每个心电图中,该模型使用一天的数据,其中不含AFib。然而,它能够区分后来患有 AFib 的人和没有 AFib 的人。
即使研究人员将所有已知的 AFib 风险因素整合到他们自己的手动模型中(包括人口统计数据和心电图测量,例如不同心跳之间的变异性),机器学习模型在预测 AFib 风险方面也更准确。
重要的是,该模型对 AFib 风险较高的老年人群和 55 岁以下人群(风险低得多且通常被排除在一般 AFib 筛查之外)仍然准确。
虽然该模型不用于诊断 AFib,但它是为 AFib 风险增加或出现症状的人设计筛查测试的第一步。这样,他们就可以佩戴心电图贴片一天,以确定是否建议进行更长的测试。或者,该模型可以分析一周或两周的心电图数据,以确定即使在该时间范围内没有任何 AFib 的患者也应该进行重复测试。这种人工智能模型可以真正帮助那些AFib发作非常少但仍然可以从诊断和干预中受益的人。