智能监测技术用于预测心房颤动(NOTE-AF):作为“针对心房颤动相关中风的个性化管理的健康虚拟双胞胎(TARGET)”项目中的第一项临床研究——该研究采用前瞻性队列分析方案
《BMJ Open》:Intelligent monitoring to predict atrial fibrillation (NOTE-AF): clinical study 1 for the ‘Health virtual twins for the personalised management of stroke related to atrial fibrillation (TARGET)’ project – a protocol for a prospective cohort analysis
【字体:
大
中
小
】
时间:2026年01月07日
来源:BMJ Open 2.3
编辑推荐:
摘要
引言
心房颤动(AF)是全球最常见的心律失常,估计影响65岁以上人群的5%,是导致中风和心力衰竭的主要原因之一。识别高风险患者有助于在这些并发症发生之前采取预防措施和进行治疗。传统的风险预测模型是静态的,无法灵活纳入动态风险因素,且预测价值有限。基于人工智能和机器学
摘要
引言
心房颤动(AF)是全球最常见的心律失常,估计影响65岁以上人群的5%,是导致中风和心力衰竭的主要原因之一。识别高风险患者有助于在这些并发症发生之前采取预防措施和进行治疗。传统的风险预测模型是静态的,无法灵活纳入动态风险因素,且预测价值有限。基于人工智能和机器学习的健康虚拟孪生技术为风险预测和临床决策提供了变革性的方法。
方法与分析
在这项前瞻性观察研究中,将在两个三级医疗机构招募1200名患者。这些患者因急性疾病(如败血症、心力衰竭、呼吸衰竭、中风或重症)住院,或接受了高风险手术(如大型血管手术、上消化道手术和急诊手术)。他们将使用基于贴片的远程无线监测系统进行长达14天的监测。临床数据和心电图数据将用于建模新发AF的风险。主要结局指标是持续时间超过30秒的AF发作次数,并以每次发作/患者的比例以及出现AF发作的患者百分比来表示。次要结局指标包括30天和90天的再入院率以及AF相关的并发症。
本研究的目的是为开发并验证能够预测高风险人群中AF发作的健康虚拟孪生模型提供数据。“智能监测预测心房颤动”(NOTE-AF)研究是TARGET项目的一部分,该项目由Horizon Europe资助,旨在实现AF相关中风的风险预测、诊断和管理(https://target-horizon.eu/)。
伦理与传播
该研究已获得英国健康研究机构和国家研究伦理服务局(REC参考编号24/NW/0170,IRAS项目ID:342528)的批准,并已在clinicaltrials.gov上注册(NCT06600620)。研究结果将按照TARGET协议的安排进行传播,以向不同受众传达项目理念、活动和成果。
试验注册编号:NCT06600620。
患者
心脏病学
机器学习
可穿戴电子设备
本研究的优势与局限性
这是一项具有预定义纳入和排除标准的前瞻性多中心观察研究。
该研究使用连续高分辨率的生命体征和心电图(ECG)数据记录,能够详细评估生理变化。
连续单导联ECG和生命体征监测将采用医用级无线技术进行。
ECG数据将通过基于机器学习的自动化分析方法进行处理,这可能减少观察者偏差,但依赖于算法的准确性和训练数据的质量。
这项观察研究将在常规临床护理的同时进行。根据观察结果不会直接改变临床管理方案。
引言
心房颤动(AF)是全球最常见的心律失常,估计影响65岁以上人群的5%,是导致中风和心力衰竭的主要原因。
1. AF是一种由多种潜在病理生理障碍引起的异质性疾病,通常在急性疾病期间或手术后首次被诊断出来。主要风险因素包括但不限于糖尿病、年龄增长、高血压和冠状动脉疾病。
2. 在英国,2020年AF造成的医疗成本估计在14.35亿至25.48亿英镑之间。
3. AF使中风的风险增加五倍,约占所有中风的20%。
4. 在欧洲,中风是第二大死亡原因,也是导致残疾的主要原因,每年造成的损失约为450亿欧元。
5. 由于人口老龄化和生存率的提高,这些数字预计还会增加。
6. AF相关中风(AFRS)的病理生理学特征包括大血栓形成、大面积脑组织梗死和出血性转化,这些并发症会显著恶化预后。AFRS的功能恢复往往不理想,导致住院时间延长、严重残疾和高死亡率。
7. 传统上,AFRS与多种中风风险因素相关,其中一些常见且经过验证的因素被用于制定临床中风风险分层评分,如CHA2DS2-VASc(充血性心力衰竭、高血压、年龄≥75岁(加倍)、糖尿病、既往中风/短暂性脑缺血发作/血栓栓塞(加倍)、血管疾病、年龄65-74岁、性别(女性))。
8. 然而,这些评分的预测性能有限。
9. 诸如肾功能损害、炎症、心房重构以及心脏和脑血管生物标志物等风险因素并未被纳入这些常规风险评分中,而这些评分通常基于单次评估,而实际结果可能在多年后才会出现。实际上,风险是动态变化的,会随着年龄增长、并发症的发展和急性事件的发生而变化。
10. 人工智能(AI)解决方案越来越多地应用于临床实践,用于疾病和事件的预测与检测、治疗优化等,其性能远超基于信号处理的传统技术。
11. 考虑患者个体特征、医疗和健康状况史的个性化AI预测和决策支持工具将提高风险预测能力,实现超早期AF识别,指导治疗决策并预测预后。
12. 包含与心脏损伤相关的生物标志物以及对ECG特征的自动化分析,为AI建模提供了更多病理生理信息。由于这些生物标志物和生命体征的快速变化,需要一种动态且个性化的风险评估方法来可靠地预测结果。
患者
无论是因择期手术还是急性疾病住院的患者,都提供了获取连续监测数据的机会。AF在感染、中风、急性心力衰竭、急性呼吸衰竭或大型手术(尤其是血管手术和上消化道手术)患者中较为常见。
13. 许多AF发作发生在没有AF病史的患者中。急性疾病期间的AF发作表明患者病情恶化,导致短期和长期发病率及死亡率增加。
14. 术后AF(POAF)是非心脏手术后最常报告的心律失常类型。所有非心脏手术中POAF的发病率差异很大,估计在0.5%至15%之间。
15. 在上消化道手术后,POAF的发病率特别高,食管切除术患者中有高达45.5%出现术后AF发作,
16. 这与30天死亡率、中风和住院率增加有关。在18%的病例中,患者在1年内会再次发生AF,其中27%的患者发展为阵发性或持续性AF。
17. AF通常通过12导联ECG记录诊断,表现为连续R波峰值之间的间隔不规则(R-R间期),且无明显的P波活动,持续时间超过30秒。植入式和基于贴片的 cardiac 监测设备的记录显示,许多患者的AF发作未被临床诊断出来。
18. 这些发作并非良性事件:多项系统评价表明,它们发展为临床相关AF的风险增加五倍,中风和血栓栓塞事件的风险增加2-3倍。
19. 生命体征测量医疗设备的技术进步催生了无线连续生命体征监测系统(wCVSM),可实时向医疗专业人员展示数据。这些系统能够发现间歇性手动监测无法发现的生命体征异常,
20. 从而可能更早地识别高风险患者。
21. 在本研究中,我们将使用集成在wCVSM系统中的连续ECG监测来识别持续时间超过30秒的AF发作,而不依赖于临床识别。
22. “智能监测预测心房颤动”(NOTE-AF)研究将在利物浦大学医院NHS基金会信托的两个大型三级医疗机构进行,这些医院属于利物浦大学医院集团。NOTE-AF收集的数据将用于一个由欧盟资助的大型项目(TARGET:https://target-horizon.eu),该项目旨在开发多尺度、多器官的动态、互操作的AF患者虚拟孪生模型,以加速转化研究,实现个性化和成本效益的管理。
23. 在TARGET项目中,将开发考虑个体患者特征和医疗健康状况史的个性化虚拟孪生模型,用于动态预测AF和AFRS的风险。TARGET是由19个欧洲合作伙伴组成的研究项目,旨在重塑AF和AFRS的风险预测、诊断和管理,加速研究成果的实际应用。
24. 基于AI的个性化预测和决策支持工具将提高风险预测能力,实现AF的早期识别和个性化治疗决策。NOTE-AF研究包含的两个工作包(WP)与TARGET项目相关,WP1代表观察部分,具体内容在文中有所描述。
方法
NOTE-AF是一项前瞻性、多中心的观察研究,评估术后和急性住院患者中AF的临床和亚临床发作的发生率和持续时间。该研究包括两个部分:一项前瞻性观察研究(WP1)和一项定性可行性研究(WP2),旨在实现以下次要目标和结局。WP2的详细方案将在其他地方总结。患者将在入院后72小时内被招募,并接受最长14天的ECG监测。患者招募工作将于2024年10月开始,持续4年。NOTE-AF收集的临床和ECG数据将用于构建虚拟孪生模型,以预测AF的临床和亚临床发作(https://target-horizon.eu/the-project/)。
研究人群、纳入和排除标准
在英国,普通成人人群中AF的患病率估计为3%,而在急性住院和重症患者中这一比例上升至10%-15%。亚临床AF(SCAF)的发病率可能更高。我们假设在急性住院患者中至少有5%的发病率,因此在4年内招募的1200名患者中预计会有超过100例。
25. 入选标准如下:
- 年龄≥50岁,接受大型上消化道或血管手术,或因以下至少一种急性疾病住院(这些疾病的发生AF风险估计超过5%):
- 急性呼吸衰竭
- 任何需要高级护理(器官支持)的急性疾病
- 急性中风患者
- 因严重急性感染或败血症怀疑需要住院的急性心力衰竭患者
26. 排除标准:
- 任何既往心房颤动或心房扑动病史
- 心律失常
无法获得同意(患者和/或家属拒绝参与研究)
对贴片或硅胶过敏
预计住院时间<48小时
27. 提前退出的标准:
- 撤销同意
- 无法耐受监测贴片
- 贴片部位持续皮肤刺激
28. 参与者同意书和患者信息手册的副本(包括已恢复意识患者的同意书)可在在线补充材料中找到。
研究干预措施
29. 持续的基于贴片的无线ECG监测
符合纳入标准并签署知情同意书的患者将使用Isansys Lifetouch传感器(Isansys Lifecare,牛津郡,英国)进行ECG监测。该系统获得FDA批准并符合欧洲合格标准(CE标志),可连续记录单导联ECG、心率和呼吸率。
30. Isansys LifTouch传感器的数据将通过蓝牙自动传输到患者床边的密码保护平板电脑上。数据在平板电脑(Patient Gateway)上实时显示,并安全存储在服务器上(图1)。该设备以视觉格式记录ECG,允许最终用户访问原始数据,记录频率为每秒100次(100 Hz),并可从逗号分隔值(CSV)文件重建ECG。ECG分析将采用传统临床解读方法、Poincaré图、自动化图像分析和复杂神经网络进行。
31. ECG监测将持续14天或直至患者出院,以先发生者为准。所有患者除了wCVSM外,还将接受标准常规护理。标准临床治疗将遵循机构规定的生命体征监测政策。在出现临床恶化情况时,将遵循标准的治疗方案。基线和入院数据在表1中显示。
**血液采样**:在招募当天(第1天)及随后每天收集多余的血清样本,每位患者最多收集5份样本,持续至第7天。样本将进行匿名处理后离心分离,血浆或血清将被分装并冷冻保存在-80°C条件下以备后续分析。血清样本将用于检测心脏生物标志物,包括但不限于肌钙蛋白、利钠肽和炎症标志物。
**研究结束定义**:预计研究持续时间为48个月,包括准备阶段、招募期、6个月的数据清洗与分析期以及结果撰写期。研究将在数据分析完成并提交最终报告给资助方后结束。
**伦理行为**:本研究遵循国际伦理和科学质量标准(即良好临床实践GCP)以及《赫尔辛基宣言》的原则。该研究已获得North West – Haydock研究伦理委员会和健康研究机构IRAS(综合研究申请系统)的批准,项目编号342528,伦理委员会参考编号24/NW/0170。
**主要研究目标**:确定急性病患中临床和亚临床房颤(AF)发作的发生率,并为虚拟孪生模型和临床决策支持工具的开发和验证提供数据。
**次要研究目标**:评估医疗专业人员对具有自动警报功能的新型远程监测设备的接受度和可用性。
**主要结果指标**:通过扩展的远程无线贴片监测(无论是否使用警报系统),记录急性病患和术后患者中持续时间超过30秒的房颤发作情况。
**次要结果指标**:住院时间;90天内的再入院率;医院死亡率及90天死亡率;房颤发作的复发率;房颤发作次数;房颤并发症(如中风、血栓栓塞事件);房颤发作患者的肌钙蛋白浓度;房颤发作患者的超声心动图变化;mHealth应用程序可用性问卷(MAUQ)得分;有无房颤发作患者的肌钙蛋白浓度变化百分比;心血管警报次数;非心血管警报次数;反映临床变化的警报次数;反映伪影或非临床事件的警报次数;区域壁运动异常(RWMA)评分;心房大小和容积;左心室应变率;根据英国超声心动图学会(BSE)建议的标准超声心动图测量结果。
**可用性和接受度数据**:这些数据将用于设计单独的实施研究或过程评估。
**样本量考虑**:本研究的主要目的是为欧盟Horizon 2023 TARGET项目生成虚拟健康孪生模型的数据。因此,我们将招募1200名至少有5%房颤发作风险的患者作为方便样本。鉴于文献表明未被发现的亚临床发作发生率可能超过30%,我们预计在1200名患者中将有超过100名患者被诊断出至少持续30秒的房颤发作。
**统计方法**:研究的主要目的是生成用于开发动态风险预测工具和虚拟健康孪生模型的数据。虚拟健康孪生模型的开发方法将在其他地方详细描述。根据主要目标,常规统计分析将受到限制,主要用于通过描述房颤发作情况来支持虚拟健康孪生模型的开发。主要结果(急性病患中房颤及SCAF发作(持续超过30秒)的发生率)将以发作次数/患者比例和发生房颤的患者百分比来表示。我们还将分析房颤发作期间所占时间的比例、房颤发作的分布模式、持续时间以及作为房颤前兆的早搏复合体的发生和频率。我们将使用常规逻辑回归模型来确定房颤风险因素(如年龄、心血管合并症、器官功能障碍和支持系统、血压、感染状态等)与房颤发生之间的关联和权重。结果将在单变量分析中进行比较,根据样本分布选择参数或非参数检验。描述性统计将用于描述有无房颤患者的人口统计学特征、警报频率和血液检测结果。组间比较将包括参数检验(独立样本T检验)和非参数检验(Mann-Whitney-U检验),具体取决于样本分布。对于分类数据,将使用Fisher精确检验来检验变量之间的关联。对于两个数值变量之间的单调关系,将使用Spearman等级相关系数进行定义。在适用的情况下,单变量分析后将进行多变量逻辑回归分析,以识别术后房颤发作的风险因素。Cochran-Mantel-Haenszel检验(CMH)将用于分析分层分类数据,以房颤发作持续时间超过30秒作为二元结果。
**进一步统计分析**:进一步的统计分析将取决于TARGET项目“开发和验证用于房颤及相关中风动态风险预测的个性化虚拟孪生模型”这一具体目标所获得的建模结果(https://target-horizon.eu/the-project/)。虚拟健康孪生模型的开发方法将另行公布。我们将利用来自公开医疗数据仓库和TARGET联盟合作伙伴组织的现有回顾性数据,建立一个集中式数据平台,采用最先进的数据整合和协调技术。我们将结合已确定的风险因素、合并症、影像学信息和生物标志物,涵盖AFRS路径的所有阶段。由此产生的个性化模型将提升临床护理水平,并实现动态、纵向监测。模型的验证将通过计算机模拟试验技术进行,以加速虚拟孪生技术的转化,并为模型的改进和进一步发展提供依据。
**数据收集与管理**:根据欧盟Horizon资助项目的要求,将制定全面的数据管理计划(DMP),以确保数据的系统组织和易于访问,并符合法律、伦理和欧盟规定。DMP将便于数据访问,并通过标准化程序支持数据处理的连贯性和质量。此外,它还制定了数据存储、备份和长期保存策略,以防止数据丢失并确保未来的可用性。在招募地点,使用电子患者健康记录是标准护理的一部分,用于记录常规患者数据,包括住院时间、入院诊断、再入院日期和时间原因、新诊断结果以及具有临床意义的心血管事件。
**患者和公众参与**:患者和公众的参与是EU HORIZON 2023 TARGET项目的一个独立工作包。
**不良事件**:对于这项观察性研究,我们不预期会出现任何不良事件。然而,我们的临床记录表格允许输入任何不良事件。
**讨论与结论**:关于急性病患住院人群中房颤的发生率、风险因素、诊断和治疗的文献信息有限。除非进行持续监测或出现临床症状,否则短暂的发作(尤其是持续时间非常短的发作)可能会被忽略,从而导致实际房颤发作率的严重低估。通过使用远程无线持续监测,我们将明确急性病患和高风险围手术期患者的临床和亚临床房颤发作的发生率。以至少100 Hz的采样率生成的ECG数据将与临床数据和其他欧洲中心的数据结合,输入TARGET系统,用于开发包含集成多尺度计算模型的虚拟健康孪生模型,以实现个性化风险预测、优化管理和治疗。如果在标准临床护理过程中检测到新的房颤发作,治疗将遵循国家和国际指南。然而,急性护理中的新发房颤(NOAF)仍然是一个临床挑战,因为亚临床发作通常未被诊断出来,对于从急性疾病中恢复的患者,对其随访情况描述不足,当前的治疗建议是基于一般患者群体制定的,没有针对急性临床情况下的触发因素和出血风险。已有文献表明,在急性病患中,大多数NOAF发作发生在入院后的前三天内。这是因为急性系统压力因素(如缺氧、电解质紊乱、细胞因子激增和交感神经激活)在疾病早期最为严重。先前对脓毒性休克患者的研究表明,NOAF发作通常发生在第5天之前。将监测期延长至14天将使我们能够收集关于急性病患中NOAF复发和持续时间的信息。现有文献表明,在因非心脏手术或内科疾病住院的患者中,三分之一患者在一年内会出现NOAF复发。同样,在ICU(重症监护室)患者中,首次发作后房颤的复发也很常见。虽然所有患者都将接受基于贴片的 cardiac 监测,但少数患者(20名)将接受连续的生命体征监测(呼吸频率、血氧饱和度和血压)。根据这些生命体征,将生成警报并发送给护理人员。在这项定性数据收集工作中(WP2),我们将监测医疗专业人员的反应和行为,并分析这些警报与常规观察结果之间的相关性。我们将使用MAUQ问卷(一种专门为评估mHealth系统设计的经过验证的结构化工具)。
**连续监测设备的最新进展**:包括基于贴片的无线技术在内的最新连续监测设备允许在长时间内密切监测心律和生命体征,而不影响患者的活动能力和舒适度。与标准护理中的间歇性生命体征监测相比,集成重复采样技术可以更可靠地识别短暂的、否则无法诊断的心律失常发作。
**注意事项**:在非中风患者中,无症状房颤与初次住院的因果关系尚不明确,因此抗凝治疗的作用尚不确定。对于急性病患中的NOAF患者,抗凝治疗预防中风的好处尚未得到充分研究。通常情况下,房颤的负担较低,大多数患者在急性触发因素消除后恢复为窦性心律。只有在原因不明的栓塞性中风(ESUS)患者中,才会进行长时间的ECG监测并在发现房颤后开始抗凝治疗。总之,NOTE-AF研究将对急性病患进行持续的心脏监测,以了解和描述临床和亚临床房颤的发生率。NOTE-AF的数据将输入TARGET系统,生成基于AI的计算模型,用于个性化风险预测。这些虚拟健康孪生模型将通过整合生理、环境和医疗数据到机器学习算法和生成模型中,为临床和围手术期护理提供动态实时决策支持,从而加速个性化干预并预防房颤的不良后果。
**招募情况**:NOTE-AF项目于2024年10月29日开始招募,截至目前已招募了85名患者。由于原始设备供应商(Isansys)破产,招募工作暂停。此后已确定了两家替代供应商(SmartCardia和Checkpoint Cardio),需要重新进行采购和IT集成。已提交并批准了一项重要的伦理修正案,以允许使用这些设备。招募工作现已重新启动。总体试验设计和目标保持不变。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号