背景
可穿戴传感器能够在门诊环境中对心脏病患者进行持续监测，提高对临床显著心律失常的诊断率。虽然人工智能辅助的心律失常检测可以提高临床效率并减轻医疗负担，但在成功整合到临床实践之前需要进行严格的验证。
目标
我们旨在使用来自可穿戴传感器的单导联心电图数据，全面验证一种多类别、基于云的深度学习(DL)心律失常检测算法的性能。
方法
我们使用回顾性、去标识化的来自354个临床站点的心电图数据训练了一个深度学习心律失常检测算法（457层，4400万参数，60亿浮点运算），这些数据包括23587名患者、81391个数据集和240854个人工标注的心律失常事件。我们在一个独立的数据库上测试了该算法，该数据库包含3309名成年患者（年龄59.33±17.70岁，2011名女性），这些患者在7个与354个训练站点不同的临床站点使用单导联可穿戴心电传感器进行监测。测试数据库包含7553个心电图数据集和22034个心律失常事件。我们使用灵敏度(SE)、特异度(SP)、阳性预测值和阴性预测值(PPV和NPV)、准确率(ACC)以及第95百分位延迟(p95)评估了该算法在分类心房颤动/心房扑动(AF/AFL)、二度房室传导阻滞(2nd degree AVB)、室上性心动过速(SVTA)、室性心动过速(VT)、心搏暂停(Pause)、窦性心律(Sinus)以及其他/不确定(Others/Inconclusive)方面的性能。
结果
该算法展示了高诊断性能（灵敏度99.31%，特异度99.72%，阳性预测值99.44%，阴性预测值99.68%，准确率99.67%）。值得注意的是，它能够准确检测临床显著的心律失常，包括心房颤动/心房扑动（灵敏度99.93%，特异度99.97%）、二度房室传导阻滞（98.74%，100%）、室上性心动过速（98.63%，99.99%）、室性心动过速（99.38%，99.99%）和心搏暂停（99.76%，100%）。跨年龄、性别、种族、民族、BMI和临床站点的亚组分析显示没有统计学上显著的性能差异（Mann-Whitney-Wilcoxon检验，p ≥ 0.01）。最后，基于云的处理始终具有低延迟，第95百分位值<2秒。
结论
我们使用来自可穿戴传感器的心电图数据，全面验证了一种多类别、基于云的深度学习心律失常检测算法。其在各类心律失常上的高性能证实了其在门诊环境中进行连续心脏监测的可靠性。这可能为临床医生提供准确的、可操作的心律失常洞察，从而实现及时的患者干预，通过减少假警报负担来简化临床工作流程，并补充专家的心电图解读。
【全文结束】