心房颤动（AF）是临床实践中最常见的心律失常，对发病率、死亡率和医疗成本有显著影响。AF的最佳管理需要多维度方法，包括早期准确诊断、心率和节律控制策略的选择以及相关合并症的综合管理。在人工智能（AI）时代，得益于能够在诊断和治疗全过程支持临床医生的创新工具，AF护理的新范式正在出现。基于AI的算法可以通过分析标准心电图或可穿戴设备来提高诊断准确性，预测心律失常事件或并发症，并指导个性化治疗决策。此外，将AI整合到医疗系统中能够更高效地管理合并症，促进整体性和主动性的方法。本综述探讨了在AF管理中使用AI的潜力和挑战，概述了技术可以增强临床专业知识并改善患者预后的未来场景。
心房颤动是全球最常见的心律失常，其患病率预计在未来30-50年内将上升，这归因于人口老龄化和心血管危险因素负担的增加1。许多AF发作可能无症状，导致诊断延迟2。因此，AF通常在诸如缺血性卒中等并发症的背景下被诊断。通过筛查早期检测AF并启动口服抗凝剂（OAC）治疗可以预防卒中，延长预期寿命并降低医疗成本3。然而，评估AF筛查计划有效性的临床试验得出了不一致的结果4。
这一情况因以下事实而进一步复杂化：当临床医生管理AF时，他们不仅处理心律失常本身，还处理广泛的相关合并症5。事实上，在过去二十年中，AF患者中合并症的患病率平行上升6。一方面，OAC治疗对降低与卒中相关的死亡率产生了重大影响，目前仅影响约十分之一的AF患者6,7。另一方面，在降低非心血管原因导致的死亡率方面进展甚微，这在该人群中仍然是一个重大负担7。
因此，最近的临床指南倡导采用综合和整体方法来减少AF患者的不良事件8。2020年欧洲心脏病学会（ESC）指南中首次提出的框架是"心房颤动更好护理"（ABC）路径，随后是2023年美国心脏协会（AHA）指南中的SOS方法，最近则是2024年ESC指南中的AF-CARE框架。尽管命名不同，但基本原则保持一致：在适用时使用OAC进行卒中预防；通过心率和节律控制策略管理症状和负担；以及管理相关合并症9。
在这些模型中，ABC路径目前拥有最有力的支持证据，观察性研究、荟萃分析和随机对照试验证明了患者预后的改善10,11。然而，尽管有这些益处，目前只有约20%的AF患者接受真正整体的治疗方法10。因此，需要付出更大努力来确保对这一复杂人群进行全面和综合的管理。
近年来，人工智能（AI）已成为管理心血管疾病的潜在变革性工具12,13。在AF的背景下，AI提供了多种机会：通过分析大型数据集并识别传统方法无法检测到的微妙心房电或结构变化，基于AI的解决方案可能改善AF筛查和早期诊断。这可以实现更早的干预和更个性化的患者护理。除了筛查之外，AI在预防医学中也显示出前景，通过提供快速、基于数据的诊断和治疗见解来支持临床决策，并通过量身定制的治疗建议增强个性化管理。
在这篇叙述性综述中，我们将关注AF管理的两个关键方面（图1）：首先，AI在实现AF更早检测中的作用以及实现这一目标的方法；其次，AI如何支持已诊断AF患者的综合管理。
AI用于筛查和早期诊断
AF是一种进展性和动态性疾病，可能随时间演变，从阵发性发作发展为持续性AF，最终发展为永久性AF14。潜在的病理生理机制涉及风险因素负担的增加和进行性心房重构，现在更广泛地概念化为心房心肌病（图2）15-18。
心脏植入式电子设备（CIEDs）的研究表明，心房高频率发作可能在AF首次临床诊断之前很久就发生，并与卒中风险增加2.5倍相关19-21。随着潜在基质的进展，临床AF和不良事件的可能性增加。因此，通过系统筛查和及时诊断在更早阶段检测AF可能显著改善患者预后。
AI可能帮助临床医生应对这一挑战。通过识别心房重构的微妙标志物并整合来自不同来源的复杂数据，基于AI的方法有可能增强AF筛查，实现更早的诊断，并促进结构化的随访策略。最终，这些创新可能转化为减少不良事件（图2）。
在以下部分中，我们将回顾可以应用于实现AF更早检测并改善该疾病患者综合管理的不同基于AI的方法。
12导联心电图衍生评估
AI在AF预防中的一个有希望的应用在于识别在心电图上表现为正常窦性心律（SR）但AF风险增加的患者。这可以帮助指导随访的时间和强度。
一项使用梅奥诊所心电图实验室的研究分析了1993年至2017年间收集的大型SR心电图数据集22。总共纳入180,922名患者和649,931份SR心电图：训练集包含126,526名患者的454,789份心电图，内部验证集包含18,116名患者的64,340份心电图，测试集包含36,280名患者的130,802份心电图。在测试队列中，3,051名（8.4%）患者先前有记录的AF。
AI支持的心电图模型能够从单次SR心电图识别AF，受试者工作特征曲线下面积（AUC）为0.87（95% CI [0.86-0.88]），敏感性为79.0%（95% CI [77.5-80.4]），特异性为79.5%（95% CI [79.0-79.9]）。当包含随访窗口第一个月内获取的所有心电图（即从研究开始或首次记录AF发作前31天）时，模型性能进一步提高：AUC 0.90（95% CI [0.90-0.91]），敏感性82.3%（95% CI [80.9-83.6]），特异性83.4%（95% CI [83.0-83.8]）。
该AI-心电图模型随后在一项前瞻性、基于人群的队列（梅奥诊所老龄化研究[MCSA]）中得到验证，并与CHARGE-AF评分进行比较23。分析包括1,936名参与者，中位年龄为75.8岁（IQR 70.4-81.8）。基线时AI-心电图AF模型输出>0.5的患者在2年时AF累积发病率为21.5%，在10年时为52.2%。两个预测因子的C统计量相似：AI模型为0.69（95% CI [0.66-0.72]），CHARGE-AF为0.69（95% CI [0.66-0.71]），结合使用时提高到0.72（95% CI [0.69-0.75]）。
虽然该AI模型在此前瞻性队列中的预测性能略低于原始验证（C统计量0.69对0.87），但作者将这种差异解释为关键方法学差异的结果。原始模型被训练用于检测并发但潜在的AF（通常在心电图后30天内），而MCSA队列评估了长期（长达10年）AF风险。此外，MCSA人群年龄较大（平均年龄73岁对60岁），AF基线发病率较高（17.2%对8.5%）。
值得注意的是，AI-心电图模型保持了显著的临床价值：模型输出>0.5的参与者随着时间的推移AF发病率明显增加，这表明这种方法可以在无症状个体中有意义地分层风险，并可能指导早期预防策略。
一种类似的方法使用深度学习模型已应用于大型和多样化人群的门诊SR心电图24。在该研究中，心电图收集于1987年1月1日至2022年12月31日之间，来自六个美国退伍军人事务（VA）医院网络和一个大型非VA学术医疗中心24。
该模型在剩余VA站点和非VA中心进行了内部和外部测试24。对于来自VA站点的907,858份心电图（患者平均年龄62.4岁，6.4%为女性），模型达到了0.86的AUC（95% CI [0.85-0.86]）。在非VA学术中心的外部验证中（72,483份心电图，52.5%为女性），性能提高：AUC 0.93（95% CI [0.93-0.94]）。该模型在人口统计亚组和合并症水平上保持了一致的性能，并且校准良好（Brier分数：0.02）。对于模型识别的高风险个体，检测一个AF病例所需的筛查人数根据敏感性阈值在2.47至11.48之间24。
然而，上述所有研究都是回顾性设计的。一项前瞻性、非随机干预试验取得了进展，该试验专门设计用于评估AI在AF筛查中的临床效用25。在该研究中，有卒中危险因素但无已知AF的患者接受了常规心电图检查，然后AI算法将其分为高风险或低风险类别。参与者随后佩戴连续动态心律监测器长达30天。主要结局是新诊断的AF。
在1,003名参与者（平均年龄74岁）中，高风险组AF检出率为7.6%，低风险组为1.6%（OR 4.98；95% CI [2.11-11.75]；p<0.001）25。在次要倾向匹配分析中，与常规护理相比，AI指导的筛查显著增加了AF检出率：高风险组为10.6%对3.6%（p<0.001），而在低风险组中，检出率在数值上（但无显著性）增加（2.4%对0.9%；p=0.12），中位随访时间为9.9个月25。
总体而言，这些发现表明，AI增强的心电图解释是早期AF风险分层和筛查的有希望的工具。这些模型似乎在不同设置和人群中表现良好，前瞻性研究的证据支持其临床相关性。然而，需要进一步的随机对照试验和长期结果数据来确定这种方法是否真正具有变革性，并确定其提供最大益处的患者群体。
AI用于可穿戴设备进行AF筛查
许多AF发作是无症状的，但与不良结局相关2。因此，AF筛查近年来越来越受到重视，特别是随着数字技术的出现。已经开发和商业化了各种可穿戴设备，使用单导联心电图或PPG（光电容积描记法）作为其核心技术26。
需要强调的是，根据之前和当前的AF指南，只有基于心电图的方法（12导联或单导联）可以被视为诊断性的27-30。相比之下，PPG方法本身不足以进行诊断。在基于心电图的工具中，单导联设备必须提供至少30秒的心律记录以满足诊断标准27。
在此背景下，几项研究探索了AI从数字记录中检测AF的作用。Hygrell等人汇集了三项主要筛查试验的数据：STROKESTOP I、STROKESTOP II和SAFER，使用单导联心电图31。在SAFER研究中，该研究包括广泛年龄范围（65-90+岁）的参与者，基于AI的算法从单时间点心电图预测阵发性AF的AUC为0.80（95% CI [0.78-0.83]）。然而，在年龄更同质的STROKESTOP I和II人群中（年龄75-76岁），性能较低，AUC分别为0.62（95% CI [0.61-0.64]）和0.62（95% CI [0.58-0.65]）31。
STROKESTOP和SAFER之间预测性能的观察差异可能由几个因素解释，包括年龄分布、基线AF风险的差异以及潜在的筛查相关选择偏倚。STROKESTOP I和II中招募的参与者更可能代表更健康的筛查人群，可能降低了AI方法可检测到的亚临床心房重构的患病率，而SAFER中更广泛的年龄范围和更高的基线风险可能增强了算法性能。
对从单导联心电图进行AI预测AF风险的可行性的支持性证据也在大型回顾性分析中报告。在一项评估13,479份单导联心电图记录的回顾性研究中，Dupulthys等人报告了总体AUC为0.7432。然而，鉴于其回顾性设计和不同的病例确认，这些结果应被视为补充性的，而非直接可比的前瞻性筛查研究。
许多设备依赖PPG，如前所述，PPG本身不足以在没有心电图确认的情况下确认AF诊断。尽管如此，该领域的最新进展令人鼓舞，过去2年发表了多项研究探索PPG工具的诊断潜力。
在SMARTBEATS-ALGO研究中，接受AF或心房扑动（AFl）复律的患者被要求使用智能手机应用程序（CORAI Heart Monitor）记录1分钟PPG信号，同时进行单导联心电图（KardiaMobile），每天至少两次，持续4-6周33。总共460名患者贡献了超过34,000对记录。在180名患者的数据上训练的机器学习（ML）算法，在280名患者的独立队列上进行了外部验证。在此验证集中，该算法对AF的诊断性能极佳，敏感性、特异性和准确性均为99.7%。当包括AFl时，性能保持高位，相应值分别为99.3%、99.1%和99.2%33。
尽管这些结果令人鼓舞，但基于智能手机的PPG筛查的大规模采用可能受到老年AF人群中数字素养的限制34。重要的是，在缺乏心电图确认的情况下，PPG检测到的心律失常发作目前不被视为AF的诊断，因此不符合临床AF或亚临床AF的既定定义。目前，这些工具应被视为筛查或风险识别策略，可能会提示确认性心电图评估。未来的研究将需要确定AI辅助PPG信号如何以及是否可以整合到诊断路径和临床决策中。
通过植入式心脏电子设备诊断AF
另一种情况涉及通过CIEDs检测到的AF。CIEDs患者中约28.1%被诊断为AF，并与卒中风险增加2.5倍相关19,21。虽然某些因素（如设备编程）可能提供一些保护，但其他因素，包括高龄、高血压、充血性心力衰竭、既往卒中或短暂性脑缺血发作（TIAs）以及升高的CHA₂DS₂-VASc评分，是设备检测到的AF的已知预测因子20,35-37。
诊断依赖于设备记录的心内电图（EGMs），这些EGMs为心律失常鉴别提供了高分辨率数据。然而，这些记录通常需要手动审查，原因包括T波过感知、电噪声、交叉-talk和异位搏动等挑战，这些都可能损害诊断特异性。
为了可能克服这些限制，Rodrigo等人开发了一种深度学习算法，旨在分析复杂的EGM特征，从而促进AF检测38。该模型表现优异，AUC在0.95至0.97之间，具体取决于使用的是单极还是双极EGM数据38。这显著优于基于单特征EGM分析的传统方法，后者产生的AUC在0.67至0.75之间38。鉴于正确识别设备检测到的AF发作的复杂性和临床影响，此类基于AI的工具可能在诊断决策过程中对临床医生提供支持。
用于AF预测的合并症和临床特征
当评估SR患者时，临床医生不应仅依赖心电图发现，还应考虑患者的合并症。多年来，已将几种临床危险因素与AF的发展相关联，从而创建了CHARGE-AF等多参数风险评分39。
在前述研究中，将合并症数据与单导联心电图记录相结合增强了AI模型的预测能力。具体而言，仅基于心电图的模型达到了0.74的AUC，当添加六个临床危险因素时，提高到0.76（95% CI [0.74-0.79]）32。
然而，单独使用合并症数据进行AF预测的结果喜忧参半。一些研究表明与传统临床评分相比具有可比的预测准确性，而其他研究表明略有优势。例如，科罗拉多大学的一项大规模研究将ML技术应用于200多万个体队列中来自电子健康记录（EHR）的200多个临床变量40。由此产生的算法在6个月内新发AF预测方面达到了0.79的AUC。尽管数据集庞大且建模复杂，但其性能与既定的非AI临床风险评分相当，后者报告的AUC在0.71至0.78之间40。相比之下，另一项ML研究表现优于CHARGE-AF评分，达到了0.83的AUC：作者将这些结果归因于更高质量的数据集、更长的随访期以及应用了更复杂的分析技术，如时变协变量建模41。
合并症基础上的AF风险预测可能特别有价值的临床环境是最近发生缺血性卒中的患者，其中AF通常在就诊时未被诊断42。在一项包括240,459名无已知AF的卒中患者的全国性法国队列中，开发了仅基于临床特征的ML模型来预测随访期间的新发AF43。表现最佳的深度神经网络达到了0.77的C指数（95% CI [0.76-0.78]），显著优于传统风险评分。
这些发现表明，ML模型可以为卒中后人群提供有价值的预后信息，及时识别AF对其具有重要的治疗意义44。理想情况下，最有效的策略将把简单的临床变量和更复杂的数据类型（如心电图信号或影像特征）整合到统一框架中。在此环境中，AI有望优化风险分层，并真正个性化AF筛查和管理。
AI在AF患者管理中的应用
如前所述，AF的管理需要整体和综合的方法，不仅解决心律失常本身，还解决其更广泛的临床影响。这包括通过合理使用OAC预防卒中，同时平衡出血风险，通过心率或节律控制策略缓解症状，以及处理伴随合并症的负担（图3）。
尽管有支持这一策略的证据，但目前只有约20%的AF患者接受真正全面的护理45。鉴于许多AF患者患有多种共存疾病，这大大增加了管理的复杂性，这一差距尤其令人担忧46。在此背景下，AI有可能成为临床医生的重要盟友。通过实现更准确的风险预测，支持节律或心率控制干预的选择和调整，以及预测合并症的进展，AI可以帮助定制治疗并优化结局（图3）。
在以下部分中，我们将探讨AI如何应用于综合AF管理的不同维度，强调其支持更个性化和有效护理的潜力。
用于残余卒中风险和平衡出血风险的AI
关于启动OAC治疗的临床决策由AF患者管理指南明确定义27,29,30。这一决策由新推荐的CHA2DS2-VA评分指导和支持，观察性研究表明该评分在预测新发和残余卒中风险方面表现与CHA2DS2-VASc评分相似47-50。
然而，尽管OAC治疗对预防血栓栓塞事件有效，AF患者仍有约1.7%的残余卒中风险（华法林）和1.4%（直接口服抗凝剂[DOACs]）51。
即使可能有益，进一步完善当前风险分层的可能性也很困难。事实上，最近的一项临床试验表明，基于ABC-AF风险评分（包括许多生物标志物以帮助风险分层）的多维度治疗策略与标准护理相比未能证明临床结局的改善52。作者主张进行前瞻性登记以测试精准医学的效用。在此背景下，AI可能有益，并可能具有多种临床意义。
例如，在GLORIA-AF登记处的最近一项分析中，作者进行了一项研究，以探索AI在预测接受OAC治疗的AF患者残余风险方面的效用53。为了预测血栓栓塞事件（定义为缺血性卒中、系统性栓塞、TIA和MI）复合结局的残余风险，使用了四个预测模型。这些模型与CHA2DS2-VA评分进行了比较，发现其预测性能更优（p<0.001），尽管考虑到识别卒中的总体能力，临床重要性有限（AUC~0.70）53。
这些发现突显了AI如何实施卒中风险预测，尽管可能需要在大型前瞻性登记中进行后续分析，以进一步完善识别可能需要额外降低卒中风险的患者的能力。一个潜在的应用领域可能是选择可能需要左心耳（LAA）封堵的患者54。事实上，目前正在开展一项随机临床试验（LAAOS-4，NCT05963698），将测试导管为基础的血管内LAA封堵是否能预防接受OAC治疗但仍处于高卒中风险的AF患者的缺血性卒中或系统性栓塞。
此外，一个有前景且创新的应用领域可能是AI在指导血管内设备植入进行LAA封堵中的使用。PREDICT-LAA试验是一项前瞻性、多中心、随机试验，证明了在计划经导管LAA封堵时使用AI支持的基于CT的计算建模可能带来的额外价值，从而提高了手术效率并显示出更好的手术结局趋势55。
AF患者的卒中风险的对应面是接受抗凝治疗患者的出血风险。尝试预测主要出血事件引起了该领域研究人员的兴趣。过去开发了几种风险评分，但均未能达到良好的预测性能8。为解决这一局限性，开发并测试了DOAC评分。该评分在推导队列中比HAS-BLED具有统计学上显著更好的性能56。然而，总体性能仅是适中（AUC 0.65-0.70），随后的观察性分析显示两个评分之间没有差异57。
再次，提高预测哪些患者将发生主要出血的能力可能有助于临床医生避免此类不良事件，并简化关于OAC治疗的决策制定，同时考虑到一类新的药物（因子XIa抑制剂）目前正在临床试验中进行验证58。一项包括24,468名非瓣膜性AF患者（年龄≥18岁）使用DOACs的回顾性队列研究发现，2.3%（553名）的患者在1年内发生出血事件，3.5%（829名）在2年内发生，5.8%（1,292名）在5年内发生59。与传统风险评分（HAS-BLED、ORBIT和ATRIA）相比，ML风险模型在预测1年随访时的出血事件方面显示出辨别能力、总体性能、风险分层和校准的适度改善。特别是，在随机队列中，随机森林模型达到了0.76的AUC（95% CI [0.70-0.81]），G均值为0.67，与HAS-BLED的AUC 0.57相比，净重新分类指数为0.14（p<0.001）。
总的来说，这些结果表明AI有潜力改进OAC使用以外的临床决策。然而，所讨论的研究仅是将AI完全整合到日常临床实践中的第一步。
用于导管消融的AI应用
近年来，节律控制作为改善AF患者症状、生活质量和潜在临床结局的首选策略日益突出60。在不同的节律控制选项中，导管消融正逐渐占据中心地位54,61,62。然而，尽管技术上和程序上取得了重大进展，仍有相当比例的患者继续出现心律失常复发。因此，研究人员开始探索将AI直接整合到电生理实验室中，旨在优化消融程序并提高性能。
最近的初步工作表明，AI驱动的实时软件可以识别并分配特定的AF电模式，特别是时空EGM分散63,64。此外，最近的TAILORED-AF随机对照试验评估了靶向AI检测到的含有时空分散区域的定制心脏消融程序，除了肺静脉隔离（PVI）外，是否比仅解剖学PVI程序对持续性和长期AF患者更有效65。
将药物难治性持续性AF患者随机分配到靶向消融程序，该程序靶向使用AI算法识别的时空分散区域，除了PVI（定制组，n=187，23%为女性）或仅解剖学PVI程序（解剖学组，n=183，19%为女性）。主要疗效终点是在单次消融术后12个月无记录AF（无论是否使用抗心律失常药物）。次要终点包括无任何心房心律失常事件，次要复合安全性终点包括死亡、脑血管事件或与治疗相关的严重不良事件。
术后一年，该试验达到了其主要疗效终点，在定制组中88%的患者实现了该终点，而在解剖学组中为70%（对数秩p<0.0001表示优效性）65。然而，在单次消融后，两组在无任何心房心律失常终点方面没有观察到显著差异。安全性终点在两组之间没有差异，但定制组的手术和消融时间是解剖学组的两倍65。
重要的是，这种个性化、AI指导方法的最大益处出现在AF持续时间较长（≥6个月）的患者中65。这些患者通常有更先进的心房重构，更多的AF维持底物位于肺静脉之外。结果表明，AI指导检测和消融肺静脉外AF维持底物区域对于在许多患者中实现心律失常消除至关重要65。
此外，两组之间的心律失常复发类型大不相同。在解剖学组中，AF是主要的心律失常，而在定制组中，大多数复发是由于规则的（折返性）心房心动过速，调查人员更容易消融65。
在定制组中，索引手术期间AF终止对12个月时AF自由率没有可测量的影响65。相比之下，它与12个月时无任何心房心律失常的自由率显著提高相关，与先前的调查一致63,66。
这些结果表明了将AI衍生信息整合以指导和优化我们的AF消融程序以改善结局的新可能性。
用于管理AF患者合并症的AI
当临床医生管理AF时，他们不仅管理心律失常，还管理患者。在前面的段落中，我们关注了卒中风险以及OAC治疗的需要，并讨论了潜在实施基于导管的策略（LAA封堵和AF消融）以改善结局。然而，目前AF患者中只有十分之一的死亡与卒中相关7。事实上，AF患者负担着多种心血管和非心血管合并症，这些合并症对结局产生负面影响（图3）67-70。此外，合并症倾向于聚集，从而恶化AF的结局71-73。为了实现AF患者的最佳护理，现在广泛接受的是，这些合并症和危险因素必须以整体和综合的方式管理，过去几年开发了不同的算法30。ABC路径简化的流程，经过观察性研究和荟萃分析分析，发现与降低不良事件风险显著相关10,74,75。
此外，在集群随机mAFA试验中，实施ABC路径显示降低了卒中和/或血栓栓塞、全因死亡和再住院的复合主要结局风险（1.9%对6.0%；HR 0.39；95% CI [0.22-0.67]；p<0.001）11。这些结果在后续的亚组分析中也对不同的合并症模式保持一致76。尽管这种方法已被证明是有益的，但其在临床实践中的实际实施仍然有限。在此背景下，AI整合多种数据源并提供个性化风险分层和量身定制建议的能力可能有助于解决这一差距。
在此场景中，AI凭借其分析多个领域的潜力，可以帮助临床医生跟踪AF患者的临床轨迹，以改善结局。一个正在进行的欧洲项目ARISTOTELES旨在填补这一空白。该项目的目的是建立一个多国数据平台，以开发和验证一个创新的AI工具，该工具向临床医生提供有关AF患者疾病轨迹的信息。该AI工具将在集群随机试验中进行测试，患者将按1:1比例随机分配到AI支持干预组或常规护理组77,78。
该研究的主要终点是全因死亡或任何原因住院的复合终点。试验的次要目标将进一步探讨AI的影响，通过检查其降低致命性和非致命性缺血性卒中、TIA、主要出血事件以及心血管或全因死亡率的能力。此外，试验将评估生活质量的改善、治疗依从性以及随访期间新发合并症的发展。通过关注这些次要终点，该试验将提供对AI如何不仅改善患者结局，还改善AF管理总体质量的更广泛理解。
结论
AI代表了AF管理的一个有希望的前沿，从早期检测到选择最佳临床策略以及管理合并症。然而，为了使其影响真正有效和可持续，需要进一步研究。同样重要的是将AI与临床专业知识整合，同时开发道德、安全和严格验证的应用。
本综述中讨论的研究代表了在临床实践和AF患者的综合管理中更广泛采用AI的重要第一步。
【全文结束】