综述：人工智能驱动的房颤诊断进展：一项系统性综述

《The Egyptian Heart Journal》：Artificial intelligence-powered advancements in atrial fibrillation diagnostics: a systematic review

本综述系统回顾了2020-2024年间人工智能（AI）在房颤（AFib）诊断领域的最新进展。文章重点探讨了可穿戴设备、神经网络（NN）和机器学习（ML）等AI驱动工具的临床相关性、局限性及其变革心血管护理的潜力。分析表明，神经网络在心电图（ECG）分析中展现出最高的诊断准确率（80% vs. 临床医生75%），而集成AI的可穿戴设备（如ECG腕带）则提供了高可及性和实时监测能力（敏感性>94%）。尽管存在泛化性有限、样本量小等挑战，但AI在改善AFib诊断、实现早期干预和优化患者结局方面展现出巨大前景。

　　

背景

心血管疾病（CVDs）是全球主要的死亡原因，其中房颤（AFib）是最常见的持续性心律失常，是卒中和心力衰竭的重要危险因素。全球AFib患病率估计为3750万例（占全球人口的0.51%），过去20年间增长了33%。AFib使缺血性卒中风险增加3至5倍，约占全球所有卒中的15%。传统的诊断方法，如间歇性心电图（ECG）和霍尔特监护仪，常常难以捕捉阵发性或无症状的病例，并受人为主观差异和时间限制的影响。这些挑战推动了人工智能（AI）模型在AFib诊断中的整合，凸显了对更可扩展和准确诊断方法的需求。

方法

本研究采用系统性文献综述方法，检索了PubMed、IEEE Xplore和ScienceDirect数据库中2020年1月至2024年12月期间发表的同行评议研究。检索策略结合了“房颤”、“人工智能”等相关术语及布尔运算符。纳入标准包括关注AI在AFib管理、监测或诊断中应用的原创临床研究。排除标准包括非AFib研究、无原始数据文章、数据不完整或非英文研究。使用QUADAS-2工具评估方法学质量，最终纳入11项研究进行分析。研究筛选过程遵循PRISMA（系统综述和荟萃分析优先报告项目）指南。

结果：AI在AFib管理中的概览

AI在初级医疗保健环境中的应用显著改善了AFib患者的结局和管理。集成AI的可穿戴和无线设备（如智能手表和生物传感器）实现了用户友好的心脏监测系统。神经网络（NN）模型，包括深度学习（DL）和卷积神经网络（CNN），其诊断准确性已超越经验丰富的医生。机器学习（ML）算法，如随机森林（RF）和极限梯度提升（XGBoost, XGB），为预测高危患者心律失常提供了有前景的方法。

无线/可穿戴技术

无线和可穿戴技术提供了可及的、实时的AFib诊断，在动态监测环境中具有优势。SanketLife设备在诊断主要心血管疾病方面表现出高敏感性（98.15%）和特异性（100%）。集成移动AI应用的可穿戴ECG腕带在不同体位下均显示出改善的诊断准确性（97.37%）和敏感性（94.34%），为家庭环境中检测阵发性AF提供了可行方案。手持式BigThumb ECG设备用于监测消融后AF复发，显示出较低的AFib复发检测率（64.2% vs. 传统随访组78.9%），但实现了高诊断敏感性（94.4%）和特异性（98.5%）。这些设备主要用于门诊 Cardiology 结构化环境中的高风险随访护理。

神经网络

神经网络（NN），特别是深度学习架构如CNN和深度神经网络（DNN），已通过自动模式识别应用于ECG分析以增强心律失常检测。Zhu等人（2020）开发了一个CNN模型，使用来自超过70,000名患者的180,112份ECG进行训练和验证，并在828份新ECG上测试。该模型正确诊断了80%的异常病例，超过了平均正确率为75%、拥有12年以上经验的医生。该模型在识别单标签和多标签AFib病例方面也优于医生，平均AUC-ROC得分为0.983，敏感性为0.867，特异性为0.995。Cai等人（2020）提出的multi-ECGNet模型，在AFib分类上取得了0.863的micro-F1分数，超过了心脏病专家的性能（0.780）。Gruwez等人开发了一个DNN，用于从窦性心律（SR）的ECG中检测阵发性AF，敏感性在79.0-82.3%之间，特异性在79.5-83.4%之间。

机器学习

机器学习（ML）模型，如随机森林（RF）、支持向量机（SVM）和极限梯度提升（XGBoost, XGB），已被应用于利用结构化临床和电子病历（EMR）数据预测AFib及相关风险因素。Kim等人（2022）开发的RF、SVM和XGB模型用于预测起搏器植入前的房性高频事件（AHREs），其AUROC值高于逻辑回归（RF: 0.742, SVM: 0.675, XGB: 0.745 vs. LR: 0.669），并且通过Brier分数显示出更好的校准度。Kao等人使用RF、决策树逻辑回归（DTLR）和SVM基于药物、诊断和实验室数据预测老年人新发AFib。RF表现出最佳性能，AUROC为0.74，特异性为98.7%。Gue等人评估发现，在预测AF作为不良事件的机器学习模型中，AdaBoost实现了最高性能，准确率为67.0%，F1分数为0.25，AUC为0.62（95% CI 0.51-0.73），在大多数指标上优于XGBoost、随机森林和神经网络模型。Ma等人开发了一个可解释的RF模型，使用SHAP（SHapley Additive exPlanations）分析预测消融后阵发性AFib的复发，确定了CHA₂DS₂-VASc评分、收缩压（SBP）和AFib持续时间等顶级预测因子。Hill等人在英国初级保健环境中实施了基于ML的PULsE-AI算法，在一个330万的高危人群中识别出约45,493例新的AFib病例，敏感性为50%，特异性为90%。

讨论

不同AI模式的比较

本综述比较了用于AFib诊断的三种主要AI技术：神经网络、可穿戴集成工具和机器学习（ML）模型。

可穿戴AI技术虽然在诊断精度上略低于NN，但在实时动态监测方面具有优势，敏感性超过94%。然而，它们对患者依从性、单导联ECG以及在狭窄人群中进行测试的依赖限制了更广泛的临床可靠性。

神经网络，特别是卷积神经网络（CNN）和深度神经网络（DNN），表现出最高的诊断准确性，在回顾性ECG分析中常常超过临床医生的表现（80% vs. 75%）。例如，DNN在从窦性心律ECG中检测阵发性AFib方面显示出潜力，有助于访视后筛查或人群水平风险评估。然而，这些模型在有限、同质的数据集上训练，且缺乏前瞻性验证，引发了对其泛化性的担忧。

ML技术在识别AFib高危个体方面显示出相对较强的准确性（AUROC 0.74-0.89），整合了来自EMR的遗传和社会因素。ML的优势在于风险预测和分层，但与NN类似，它们主要是回顾性的，并且缺乏外部验证。

总之，这些模式提供了互补的优势：神经网络用于高精度ECG分析，可穿戴设备用于可及的实时检测，ML模型用于风险分层，每种模式都有其独特的局限性，需要进一步验证和完善。

临床相关性

随着人工智能日益融入心血管诊断，了解其实际应用对于有效的临床转化至关重要。临床医生可以根据环境和亚型考虑将AI工具整合到AFib护理中。可穿戴AI设备有利于在动态或术后监测中检测阵发性或无症状AFib。神经网络可以支持高流量诊所的ECG分析，而集成到电子健康记录（EHR）系统中的机器学习模型可以通过利用遗传和社会数据识别高危个体来加强预防性护理。医生应优先考虑经过外部验证、算法透明且人口统计学报告清晰的工具。临床使用应适应社会背景，因为有些模型更适合通过常规ECG检测潜伏性AFib，而其他模型则利用EMR数据识别老年人群中的偶发AFib。

局限性与未来方向

尽管AI模型在受控环境中表现出高诊断性能，但本综述受限于以单中心、小样本、人群多样性最低的研究为主，常常未能充分代表种族少数群体和资源匮乏环境。大多数研究采用回顾性设计，在患者选择和随访时间方面存在偏倚风险，这降低了其外部效度和泛化性。此外，性能指标（如AUROC、敏感性、特异性）报告不一致，使得跨研究比较具有挑战性。未进行正式的荟萃分析。最后，发表偏倚的可能性仍然存在。

未来的研究应侧重于提高AI模型在AFib管理中的可靠性、可扩展性和公平性。开发可解释的AI模型（使用SHAP值、显着性图或注意力机制等技术）可以为临床医生提供对算法决策的更多洞察。以公平为重点的算法设计应包含带有种族、性别和社会经济元数据的公开可用数据集。需要进行涉及不同人群的广泛、多中心、纵向研究来评估长期临床结局和泛化性。最后，未来研究应评估AI输出如何整合到电子健康记录（EHR）中，影响临床医生决策，并让患者参与其护理工作流程。

结论

本系统性综述综合了关于人工智能（AI）技术用于房颤（AFib）诊断的最新临床证据，包括神经网络、机器学习算法和可穿戴集成模型。虽然这些模型在受控环境中常常优于传统方法，特别是在检测无症状或阵发性AFib方面，但其实际应用受到回顾性设计、小型或同质队列以及有限外部验证的限制。偏倚风险，尤其是在患者选择和研究流程方面，进一步限制了泛化性。尽管如此，基于ECG或电子健康记录（EHR）训练的AI模型在风险分层、二次筛查和复发监测方面具有显著潜力，特别是在高风险或资源有限的临床环境中。可穿戴设备则增强了可及的远程和动态监测能力。临床医生应了解每种模式的用例和局限性，尤其是在可解释性和公平性方面，并倡导前瞻性、可解释且与工作流程一致的AI工具。经过适当验证后，将AI整合到AFib护理中可能会减少诊断延迟，改善个体化管理，并支持向预防性、成本效益高的心脏病学转变。