编辑推荐：
为解决长期心电图（ECG）数据量增大给医生分析带来的挑战，以及自动检测长 RR 间期（RRI）算法缺乏系统评估的问题，研究人员开展基于卷积神经网络（CNN）评估长 RRI 算法的研究。结果显示 CNN 算法性能良好，为智能监测设备应用提供依据。
在医疗科技飞速发展的当下，长期心电图（ECG）监测时长从传统的 24 小时延长到 7 - 14 天，这虽然为医生提供了更丰富的心脏电活动信息，但也带来了巨大挑战。面对海量的 ECG 数据，医生在分析时耗费大量精力，人工神经网络虽在心律失常自动识别方面展现潜力，却在临床应用中缺乏足够的严谨评估，尤其是针对长 RR 间期（RRI）自动检测算法的系统评价更是匮乏。长 RRI（通常以 RR 间期≥2s 为标准 ）反映心脏节律和传导系统存在问题，如窦房结功能障碍、房室传导阻滞等，还可能引发头晕、昏厥等症状，严重影响患者健康。因此，找到一种高效、准确的长 RRI 检测方法迫在眉睫。
浙江大学医学院附属邵逸夫医院的研究人员开展了一项基于卷积神经网络（CNN）评估单导联长期动态心电图长 RRI 的研究。研究成果发表在《Scientific Reports》上，这一研究为心脏健康监测领域带来了新的突破，具有重要的临床意义。
研究人员为了开展此项研究，收集了医院 480 例长 RRI 患者的单导联长期动态 ECG 记录。在数据标注上，采用多阶段验证策略，由经验丰富的医生进行初步标注，不一致的结果由更资深的医生审核确定，确保数据标注质量。分析使用经认证的 CarePatch 双电极单通道监测设备采集数据，并借助基于 CNN 的云 AI_ECG 软件进行分析。同时，将医生手动分析结果作为金标准，运用 Pearson 相关系数、Bland - Altman 图等指标评估算法准确性。
在研究结果方面：
- 算法识别性能：研究详细总结了 CNN 算法在不同 RRI 标准（RRI≥2s、RRI≥3s、RRI≥6s ）下识别长 RRI 的性能。对于 RRI≥2s 的情况，精确率高达 98.6796%，召回率为 98.4105%，F1 评分达 98.5448%，表明算法能准确分类大多数样本。在 RRI≥3s 时，精确率为 95.6352%，召回率 97.7483%，F1 评分 96.6802% ，处理较长 RRI 也表现良好。即使是 RRI≥6s 的情况，算法召回率达到 100%，虽精确率略降为 92.5373%，但 F1 评分仍有 96.1240%，说明算法在极端情况下也能稳定运行，很少出现漏判。
- 最长 RRI 一致性分析：通过 Pearson 相关系数分析，发现 CNN 算法分析的最长 RRI 与手动分析的最长 RRI 之间的相关系数 R 为 0.9412（p<0.001 ），呈强正相关，且在统计学上高度显著。Bland - Altman 图分析显示，数据点分布呈水平带状，大部分样本点在 95% 一致性限度内，偏差为 0.05（95% 一致性限度为 - 0.55 至 0.65 ），表明两种方法一致性良好。
- 长 RRI 的不同病因分析：研究发现窦房结停搏和早搏后代偿间歇是长 RRI 的主要原因。同时评估了算法对不同病因长 RRI 的分类性能，结果显示不同病因的分类性能存在差异，如中高度窦房结阻滞（F1 = 99.51% ）、严重窦性心律失常（F1 = 98.95% ）等分类性能较高，而房颤终止引起的长 RRI 分类性能相对较低（F1 = 95.75% ）。
- RRI 大于 3 秒的分析：在 480 例长 RRI 患者中，有 91 例 RRI≥3.0s ，其中 18 例 RRI≥6.0s。针对 RRI≥3.0s 的患者，统计了病因，如窦房结停搏占 42.85%，阵发性房颤终止占 34.07% 等。AI 分析对长 RRI 大于 3 秒的 F1 值为 96.6802%，能为医生手动分析提供有效帮助。
研究结论表明，基于 CNN 的长 RRI 自动检测算法在识别由各种因素引起的长 RRI 方面，展现出较高的效率和精度。这不仅证实了人工智能技术在自动化 ECG 分析中的巨大潜力，还为医生提供了强大的定量分析工具，显著提高了诊断效率，减轻了医务人员的工作量。医生可将更多精力投入到长 RRI 病因分析中。然而，研究也发现算法存在一些不足，如在信号干扰和伪差心跳情况下可能出现误判，未来还需进一步优化。但总体而言，这项研究为长 RRI 自动检测算法的临床应用和推广奠定了坚实基础，人工智能与人类专业知识的结合有望在未来医疗监测中发挥更广泛、更深入的作用。
