2026年4月24日——NOAH-AFNET 6试验的一项新分析显示，人工智能(AI)可以帮助解锁起搏器数据，以更好地了解设备检测到心房颤动(AF)患者的中风风险。研究发现，与花较少时间在房颤状态的患者相比，花更多时间在房颤状态的患者并没有更高的中风或其他心血管事件风险。研究人员今天在2026年心律学会年会上作为突破性临床试验公布了这些发现。
随着全球房颤患病率持续上升，临床医生面临越来越大的压力，需要超越简单检测房颤的存在，转而理解其临床影响。房颤负荷——患者处于房颤状态的时间量——已成为与中风风险和预后相关的重要因素，但在临床研究和常规实践中，大规模捕捉这一指标仍然困难。
NOAH-AFNET 6（非维生素K拮抗剂口服抗凝药用于心房高频率发作患者）是一项研究者发起的试验，评估设备检测到房颤患者的抗凝治疗效果。主要试验发现抗凝药物略微降低了中风风险但增加了大出血风险，由于获益与风险之间的不平衡，试验提前终止。
NOAH-AFNET 6的这项子研究表明，使用自然语言处理的AI驱动模型可以从常规起搏器报告中自动可靠地提取心房颤动(AF)负荷信息，支持更个性化的风险评估，并可能帮助临床医生就抗凝等治疗做出更明智的决策。研究人员在NOAH-AFNET 6中应用了这种方法，分析了2,534名设备检测到房颤患者的11,964份起搏器报告，以更好地了解房颤负荷如何与临床结果相关，以及对抗凝药物依度沙班的反应。
"随着全球房颤发病率上升，我们需要更好的方法利用现有临床数据，不仅了解患者是否有房颤，还要了解他们随时间经历房颤的程度，"荷兰马斯特里赫特大学心脏电生理学教授Ulrich Schotten博士表示。"这种由AI驱动的大型语言模型方法使我们能够从已经收集的数据中解锁有意义的见解，并利用它们推进研究和改善患者护理。"
研究人员发现，该模型在70%以上的报告中识别出房颤负荷，或称为"模式转换负荷"，显示出对真实世界数据的强大适用性。在验证亚组中，当房颤负荷数据可用时，大型语言模型在98%以上的案例中与人工审核结果一致，房颤负荷和模式转换负荷显示出高度一致性，支持基于设备测量的可靠性。研究人群中基线房颤负荷保持较低水平。在中位随访19个月期间，房颤负荷的程度与血栓栓塞风险无关，即使在房颤负荷较高的患者中，中风率也较低，且房颤负荷也没有改变抗凝治疗的效果。无论房颤负荷如何，抗凝治疗都增加了出血和死亡风险。
"这些结果凸显了更好地了解低负荷房颤对中风风险影响的必要性，"德国汉堡大学心脏与血管中心心脏病学部主任Paulus Kirchhof博士表示。"这一分析提供了一个明确信号：低房颤负荷与低中风风险相关。需要更大的数据集来确定哪些水平的房颤负荷需要抗凝治疗，哪些可能需要节律控制策略。"
会议详情：
"突破性临床试验：临床电生理学：基于设备报告的房颤负荷分布、与结果的关系以及抗凝治疗的有效性和安全性：NOAH-AFNET 6试验"[2026年4月24日星期五上午10:45中央时间]
【全文结束】
