人工智能（ArtificialIntelligence，AI）是计算机科学的一个分支，简言之是研究“如何使计算机去做过去只有人能做的智能工作”。随着大量数据的积累，处理器技术的进步和网络速度的提高，机器学习（MachineLearning，ML）尤其是深度学习（DeepLearning，DL）算法的完善，人工智能在近几年来迅猛发展，被应用于不同学科的各个领域。CSC 2020会议期间，北京大学第一医院黄波教授针对“人工智能在心律失常检出中的应用”发表精彩报告。
人工智能的发展
心律失常的诊治领域具有与人工智能结合的基础，诊断心律失常最重要的心电图资料，可以方便地获取并电子化输入计算机，每年通过各种设备采集的心电学数据量非常之大，结合患者的临床资料，可以为人工智能的学习训练提供很好的素材。并且心律失常诊治目前也有亟待人工智能协助解决的需求，如大量数据的分析、高风险人群筛查等等。
对于人工智能用于心律失常检出，其实我们并不陌生，如集成在心电图机中的心电分析程序，起搏器的心律失常检出和记录功能等，都是通过计算机程序判断心律失常类型、时程等，不过既往这些程序往往不具有学习能力，而只是按编辑好的规则去分析心电图，所以准确性并不高[1]。但新的人工智能程序可以通过学习几万甚至几十万份心电图积累“经验”，使准确性大大提升[2， 3]，达到人类专家的水平。
比如在2018年和2019年的长城心脏病学会议期间，在与人类医生的心电图读图比赛中，心电图人工智能自动分析系统均获得了胜利，如果作为辅助工具，则可以明显提升人类医生的读图效率和准确性。目前的人工智能对于窦性、室上性、室性等多种心律失常判断准确性均很高，且仅通过一个导联的心电图即可判断，准确性与标准12导联接近[4]，这为多种便携式设备用于心律失常检出提供了可能性，往往只需要单导联的信息，人工智能即可判断出心律失常的类型。
便携式设备应用于房颤筛查
当前阶段人工智能在心律失常检出中的应用，最深入的当属心房颤动（房颤）。一方面与人工智能仅需通过单导联心电图或光体积描记法（photoplethysmography，PPG）记录的脉搏图形就能准确检出房颤有关，另一方面是因为房颤具有发病率高、危害大（尤其是增加血栓栓塞风险如脑梗死）、不易检出（无规律阵发性发作，可完全无症状）等特点，临床医生对于房颤筛查和随访存在迫切需求。
目前有多种类型的便携设备可用于房颤的筛查（图1），基于人工智能的可穿戴设备用于房颤检出最大规模的研究当属苹果心脏研究[5]和华为心脏研究[6]，其结果均显示可穿戴设备可以准确的检出心房颤动，并提醒检出者进行进一步更深入的检查或更密切的关注，从而改善患者的整体结局。可穿戴设备检出房颤发作和时长的敏感性，甚至与植入性设备接近[7]，但佩戴一块智能手表或手环的便捷性、患者接受度显然好于在体内植入一个器械，而且花费更少。更有一些深度学习的人工智能，可以通过窦性心律的心电图识别房颤患者[8]，其敏感性、特异性及准确性均接近80%，让人觉得不可思议。
图1. 可用于房颤筛查的设备（转自2020 ESC/EACTS心房颤动诊断和管理指南）
目前人工智能正逐步与临床医学紧密结合，在心律失常检出领域取得了不小的成就，虽然目前还不能实现全部心律失常的准确检出和判断，但相信在不远的未来，人工智能必将成为临床医生的得力助手，提高工作效率，提高心律失常检出率，从而实现心律失常的精准干预。
▼参考文献
[1] Shah AP， Rubin SA. Errors in the computerized electrocardiogram interpretation of cardiac rhythm. J Electrocardiol. 2007. 40(5): 385-90.
[2] Hannun AY， Rajpurkar P， Haghpanahi M， et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nat Med. 2019. 25(1): 65-69.
[3] Teplitzky BA， McRoberts M， Ghanbari H. Deep learning for comprehensive ECG annotation. Heart Rhythm. 2020. 17(5 Pt B): 881-888.
[4] Chen TM， Huang CH， Shih E， Hu YF， Hwang MJ. Detection and Classification of Cardiac Arrhythmias by a Challenge-Best Deep Learning Neural Network Model. iScience. 2020. 23(3): 100886.
[5] Perez MV， Mahaffey KW， Hedlin H， et al. Large-Scale Assessment of a Smartwatch to Identify Atrial Fibrillation. N Engl J Med. 2019. 381(20): 1909-1917.
[6] Guo Y， Wang H， Zhang H， et al. Mobile Photoplethysmographic Technology to Detect Atrial Fibrillation. J Am Coll Cardiol. 2019. 74(19): 2365-2375.
[7] Wasserlauf J， You C， Patel R， Valys A， Albert D， Passman R. Smartwatch Performance for the Detection and Quantification of Atrial Fibrillation. Circ Arrhythm Electrophysiol. 2019. 12(6): e006834.
[8] Attia ZI， Noseworthy PA， Lopez-Jimenez F， et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet. 2019. 394(10201): 861-867.
专家简介
黄波，北京大学临床医学博士
北京大学第一医院老年内科副主任医师
中华医学会心血管病学分会信息化学组委员
中国医师协会心血管内科医师分会危重症学组委员
北京医学会老年医学分会心血管学组委
北京围手术期医学研究会老年医学专业委员会委员
长期从事老年心血管疾病的临床、科研及教学工作。熟悉常见心血管疾病的诊断及治疗，心律失常射频消融、起搏器植入、经皮冠状动脉介入治疗等心血管内科介入操作，围手术期管理相关内容。
京公网安备 11010502033353号