从窦性心律心电图和动态监测中预测和检测心房颤动的人工智能
本文全面综述了人工智能在心房颤动预测领域的最新研究进展,详细阐述了深度学习模型如何从窦性心律心电图中提取隐匿性心房颤动的预测信息。研究表明,基于10秒12导联心电图的AI模型能够识别存在潜在或长期/短期心房颤动的个体,曲线下面积(AUC)高达0.90;应用于24小时Holter和多日贴片监测的AI算法在检测隐匿性心房颤动或预测14天内发作时AUC≥0.80,持续优于传统风险评分如C²HEST和HATCH;利用心率变异性特征的短时模型进一步证明,心房颤动可在发作前几分钟至几小时内被预测,准确率在精选数据集中达90%左右。然而,大多数AI研究仍为回顾性、单一系统研究,侧重于诊断率而非中风或死亡率等临床结果,且很少有实用试验评估AI指导的心房颤动筛查及其临床益处转化,因此在AI指导的心房颤动预测常规整合到临床决策前,仍需稳健的前瞻性试验和标准化评估框架。

