计算机化心电图分析与心脏病专家解读在诊断心房颤动方面的准确性比较

《Journal of Electrocardiology》：Diagnostic accuracy of atrial fibrillation by computerized electrocardiogram analysis versus cardiologist interpretation

房颤诊断中计算机化ECG的准确性及医生复核的临床价值研究。计算机化系统在6500例中漏诊19%和误诊11%，而双 cardiologist复核使敏感性达87%、特异性99%。延迟抗凝和不当治疗导致41%的误诊病例出现血栓事件和出血并发症。

　　这项研究聚焦于心电图（ECG）在诊断心房颤动（AF）方面的准确性，特别是计算机化ECG分析与心脏科医生二次审核之间的比较。心房颤动是一种常见的心律失常，其诊断对患者的治疗和预后具有重要影响。随着人工智能（AI）技术的发展，计算机化ECG分析已经成为临床实践中不可或缺的一部分，尤其是在资源有限或工作量大的医疗机构中，如急诊科、初级保健诊所和紧急护理中心。然而，尽管这些系统在提高效率和诊断速度方面表现出色，它们在实际应用中仍存在一定的局限性，特别是在AF的识别上。

研究的背景指出，尽管计算机化ECG分析在提高诊断效率方面取得了显著进展，但其在AF诊断上的准确性仍然受到质疑。误诊可能导致不适当的治疗，甚至引发不良后果。因此，本研究旨在比较计算机化ECG分析与心脏科医生二次审核在AF诊断中的准确性，并评估诊断错误对临床治疗的影响。为了实现这一目标，研究人员在VA Caribbean Healthcare System（VACHS）收集了2017年9月至11月期间的5000份标准12导联ECG，其中所有ECG最初由自动软件进行分析。随后，其中905份ECG在临床护理过程中进行了二次审核。此外，两位具有专业资格的心脏科医生独立地对所有5000份ECG进行了盲法评估，并完成了标准化的解读表格。

研究结果表明，计算机化ECG分析识别出803份（16%）与AF相关的ECG，其中70%为真正的AF，11%为假阳性，19%为假阴性。相比之下，心脏科医生的二次审核显示出更高的准确性，其敏感性达到87%，特异性为99%，阳性预测值（PPV）为98%，阴性预测值（NPV）为99%。所有这些指标的差异均具有统计学意义（p < 0.01）。此外，研究还发现，心室起搏、未确定的心律和心动过速是预测误诊的独立因素。在误诊的ECG中，41%的错误未被识别，导致抗凝治疗延迟（18%）、不适当的治疗开始（12%）以及三个不良事件的发生。

研究结论强调，计算机化ECG分析在AF诊断中存在一定的误诊风险，而心脏科医生的二次审核能够显著提高诊断的准确性，并减少可避免的伤害。这些结果凸显了自动化ECG分析在临床实践中的局限性，同时也支持了在临床决策中引入结构化的医生二次审核流程，以确保诊断的准确性和患者的安全。

在引言部分，研究者进一步阐述了AF的临床重要性。AF是人类最常见的持续性心律失常，对健康和生命造成重大影响，尤其是在老年人群体中。AF与中风、心力衰竭、认知功能下降和死亡风险增加密切相关。在美国，AF影响了约500万人，随着人口老龄化，其患病率预计会显著上升。12导联ECG仍然是诊断AF的金标准，相关指南强调了其在初始诊断和临床决策中的关键作用。自20世纪60年代以来，计算机化ECG分析系统不断演进，以帮助临床医生快速识别心律异常。到20世纪80年代末，美国每年进行的约1亿份ECG中，有近一半采用了自动分析。这一比例在之后的几十年里持续增长。

在现代临床实践中，大多数ECG都伴随着计算机化分析，特别是在高流量或资源有限的环境中。虽然基于人工智能的ECG分析算法能够快速、可扩展地进行分析，并可能发现人类医生难以察觉的细微异常，但研究显示，这些算法在心律失常的检测中，尤其是在AF的识别方面，存在一定的局限性。值得注意的是，经验不足的医生可能会过度依赖这些分析结果，忽视潜在的错误，并接受自动诊断而不再进行深入检查。

研究还指出，某些人群中使用自动ECG系统进行AF诊断的错误率高达30%。常见的误诊因素包括伪影、早搏和起搏活动。AF的误诊会带来严重的后果：假阳性可能导致不必要的检查或危险的治疗，而假阴性则可能增加未治疗的血栓形成风险，从而导致中风。研究中还提供了图示，展示了AF的误判（假阳性）和漏诊（假阴性）的实例。

尽管存在这些风险，AI驱动的工具仍在一线护理中迅速扩展，以应对临床人员短缺和不断增长的医疗需求。近年来，一些深度学习模型，如ECG-GPT和Squeeze Net，在受控环境中展示了良好的诊断表现。然而，这些模型在实际应用中的可靠性仍在积极研究中。重要的是，心脏科医生的二次审核已被证明能够有效降低误诊率，并改善患者预后。

在VA Caribbean Healthcare System（VACHS），GE Marquette 12SL算法被广泛用于MAC 5000和5500系统。然而，常规的心脏科医生二次审核并未得到一致应用。因此，本研究的目标是评估自动AF分析与心脏科医生分析的诊断表现，量化诊断错误，并评估其对临床结果的影响，特别是在高风险的退伍军人群体中。

在方法部分，研究设计为单中心回顾性队列分析，研究地点为VACHS的San Juan，波多黎各。研究得到了VACHS机构审查委员会（IRB）和研究与发展委员会（R&DC）的批准。IRB研究编号为00816。研究对象包括在VACHS进行标准12导联ECG的21岁及以上退伍军人，时间范围为2017年9月1日至11月30日。研究涵盖了门诊和住院患者的ECG数据。

研究结果显示，共有5000名参与者，平均年龄为73.7岁，年龄范围从53岁到97岁。大多数参与者为男性（4939名，占98.8%），仅有61名女性（占1.2%）。平均心率为78次/分钟，318名参与者（6.3%）存在心室起搏活动。根据计算机化的ECG节律分析，803名参与者（16%）被诊断为AF，而4069名（81%）被归类为无AF。对于未确定节律的ECG，也有部分数据被记录下来。

在讨论部分，研究者指出，本研究的结果表明，依赖计算机化ECG分析进行AF诊断与显著的诊断不准确有关。尽管这些系统在现代ECG流程中仍然占据重要地位，因为它们具有速度和可扩展性的优势，但在实际临床环境中，它们经常出现误判。在本研究的队列中，自动软件产生的假阳性和假阴性诊断可能对患者的治疗产生实质性影响。正如预期的那样，研究观察到，计算机化分析在某些情况下未能准确识别AF，导致了不适当的治疗决策。

研究进一步强调，心脏科医生的二次审核在提高诊断准确性方面具有明显优势，能够识别心律的细微变化，如起搏、伪影和未确定的模式。这些发现凸显了自动化ECG分析在临床实践中的局限性，并支持在临床决策中引入结构化的医生二次审核流程，以确保诊断的准确性和患者的安全。此外，研究还指出，AI辅助工具在文章准备过程中被使用，以帮助整理参考文献、编辑和语言润色。作者在使用这些工具后，对内容进行了必要的审查和编辑，并对文章内容负全责。

在CRediT作者贡献声明中，研究者详细列出了每位作者在研究中的具体贡献。José Escabí-Mendoza、Norwin Rivera-Guzmán、Jaime Rivera-Babilonia、Jorge Martínez-Díaz、María R. Cochran-Pérez、Jonathan X. Rodríguez-Santiago、Gerardo Jovet-Toledo和Andrew Engel-Rodriguez均在文章的撰写、审阅、数据整理、概念设计、方法学、临床分析等方面做出了贡献。这些贡献表明，该研究是一个团队合作的成果，涵盖了从研究设计到数据分析的各个环节。

在资金部分，研究者声明没有获得任何资金支持。在利益冲突声明中，研究者指出，本文内容不代表VA Caribbean Healthcare System、美国退伍军人事务部或美国政府的立场。在致谢部分，研究者感谢了VACHS的科研与发展服务、心脏科部门以及美国退伍军人事务部的支持。

综上所述，这项研究通过对5000份ECG的回顾性分析，揭示了计算机化ECG分析在AF诊断中的局限性，特别是在假阳性和假阴性方面的误判。同时，研究强调了心脏科医生二次审核在提高诊断准确性和减少临床伤害方面的重要性。这些发现对于临床实践中的ECG分析和诊断流程具有重要的指导意义，尤其是在高风险患者群体中，确保准确的AF诊断对于预防不良事件和改善患者预后至关重要。此外，研究还提醒临床医生在使用AI辅助工具时，应保持警惕，避免过度依赖自动分析结果，而忽视潜在的误判风险。