基于深度学习的连续心电监测技术，用于识别使用III类抗心律失常药物后发生的高风险心电传导延长事件

《Circulation》：Deep Learning–Based Continuous QT Monitoring to Identify High-Risk Prolongation Events After Class III Antiarrhythmic Initiation

针对药物引起的QT间期延长，本研究开发3DRECON-QT模型，通过单导联信号重建12导联ECG实现QT/QTc精准预测（内部AUC 0.942，外部0.943）。在门诊患者队列中，16.5%存在高风险QT延长，该指标与室性心律失常显著相关（调整OR 4.24）。模型在非标准ECG硬件和ICM连续监测场景中均验证有效，为药物安全监测提供新方法。

　　

摘要

背景：在成功完成III类抗心律失常药物的住院负荷治疗之后，患者可能在常规门诊护理期间出现药物引起的QT间期延长。可植入式心脏监测仪（ICM）可以提供连续的监测信号，但其功能受到单导联配置的限制。我们假设一种具有空间感知能力的深度学习系统（3DRECON-QT）能够从单个导联信号中重建空间信息，从而量化QT间期和QTc间期，并识别出高风险的QT间期延长情况。

方法：我们开发了3DRECON-QT模型，该模型使用多任务编码器-解码器结构，能够处理10秒的单导联信号，重建12个导联的数据，并预测QT间期和QTc间期。该模型基于来自大型医疗系统的12导联心电图（ECG）数据以及临床医生评估的QT间期和RR间期数据进行训练，并在配备不同ECG设备的外部中心进行了测试。在包含连续ECG记录的dofetilide负荷治疗数据集中评估了该系统的连续监测性能。在因任何原因就诊于医院或急诊室的服用dofetilide或sotalol的门诊患者队列中，我们统计了室性心律失常和QT间期延长的发生率。此外，我们还通过将ICM记录与临床12导联ECG数据进行对比，对3DRECON-QT模型进行了设备验证。

结果：3DRECON-QT模型在内部测试集中的单导联信号QTc延长识别准确率为0.942（平均绝对误差MAE为17.5毫秒），在外部测试中的准确率为0.943（MAE为21.1毫秒）。在连续监测dofetilide治疗过程中，模型的预测结果与真实值高度吻合（相关性r值为0.851，MAE为17.8毫秒；对于QTc延长，AUROC为0.936；对于QTc升高超过15%的情况，AUROC为0.816）。基于真实ICM记录的QTc预测结果显示，相关性r值为0.824，MAE为17.5毫秒。在服用III类抗心律失常药物的门诊患者（n=1,676）中，16.5%的患者存在高风险的QTc延长。与QT间期未延长的患者相比，发生室性心律失常的比例为3.97%（调整后的比值比OR为4.24，95%置信区间为1.81–9.90）。3DRECON-QT模型检测这些事件的准确率为0.94（F1分数为0.60）。

结论：这种基于单导联信号的深度学习方法能够达到指南推荐的测量精度，实现从非标准ECG数据中连续监测QTc间期的功能，并识别出具有临床意义的、与严重室性心律失常风险增加4倍以上的QTc延长情况。这一策略有助于提高III类抗心律失常药物使用后的安全监测效果，并支持有针对性的干预措施。