编者按：2021年8月27日欧洲心脏病学学会年会（ESC）e-Cardiology/Digital Health论坛，一项人工智能机器学习模型预测未来数小时内房颤发作的研究进行在线交流，这项研究由解放军总医院mAFA项目心脏健康研究团队与华为运动健康大数据团队合作开展，涉及医学、穿戴（硬件）、信号处理和AI算法（软件）等多个跨学科领域。
研究目的
基于可穿戴设备光电容积脉搏波（photoplethysmograph， PPG）持续监测，人工智能模型预测心房颤动（房颤）发作风险。
研究方法
2018年10月26日至2021年3月26日，共有2，120，210例佩戴华为智能手环、手表的用户参加了房颤筛查研究。基于PPG传感器的持续监测数据，使用监督机器学习技术(XGBoost， LightGBM)，建立2个机器学习模型（短程及长程模型， short-term model and long-term model）并优化，用于预测4、8小时内房颤发作的风险。上述模型已在Pre-mAFA房颤筛查数据中验证。
主要结果
2018年10月至2021年3月期间，通过心脏健康研究中心律失常检测模型共筛查出6294例 (平均年龄， 51.6 ± 16.0 岁， 5439例男性) 房颤患者，心律失常模型共检测到142，518 次房颤事件（后台每10分钟启动一次检测）。检测到的107，864个房颤事件被用于验证房颤风险预测模型。在真实“发生”的房颤事件前预测时间段内共有443，630 条PPG/RRI监测数据，非预测时间段内共有563，309条非房颤PPG/RRI监测数据。
如表1所示，机器学习模型预测房颤发作灵敏度为94.04%， 特异性为96.35%，召回率为94.04%。其中，8小时内房颤发作灵敏度为85.73%， 特异性为96.62%，召回率为85.73%。
表1 机器学习模型预测房颤发作的灵敏度，并根据房颤发作持续时间进行分类
结 论
机器学习模型预测未来4～8小时内房颤发作事件，在线上和线下的测试中均表现出良好的预测效能，房颤风险提前预测，有助于房颤“上游”管理。
研究选择了PPG（光电容积脉搏波）数据作为训练数据主要来源。PPG数据可以在穿戴设备上实现周期自动采集，能够覆盖房颤发作前后的时间段，相比之下，ECG（心电图）数据等需要主动采集的方式容易错过预测房颤的时机。另外，用户的行为习惯，例如抽烟、饮酒、过劳、失眠等数据对预测N年后房颤发作风险有用，但预测的时间跨度很长，而且这类数据不方便自动采集，需要主动记录，不适合精确预测房颤。
机器学习房颤预测模型的建立，在训练数据、训练方法以及训练特征上进行了创新探索，实现了对房颤的提前预测，预防房颤发生。
图片
专家简介
郭豫涛教授
解放军总医院心血管学部肺血管及血栓性疾病科主任，主任医师，硕士研究生导师。美国心脏学学会荣誉委员，欧洲心脏病协会荣誉委员，中华老年保健研究会心血管专业委员会秘书长。2020年全国心血管病专家学术影响力百强。2021年全国老年医学学术影响力百强。获省部级科技进步一等奖。受邀担任三份国际权威期刊编辑（Thromb Haemostat，Clinical Cardiology， International Journal of Clinical Practice）。十份SCI期刊常约审稿人。欧洲心脏病协会、欧洲心律失常协会、美国心律失常协会、拉丁美洲心律失常协会及亚太心律失常协会等多个国际权威学会共识的中国撰写人或同行评阅人。与英国、德国、瑞士、丹麦、美国、中国香港等研究中心交流，合作开展研究，包括哈佛商学院ICHOM项目，英国全球房颤管理项目，欧盟地平线创新研究项目。完成的七项智能技术房颤管理的创新工作（mAFA系列研究）被2020年欧洲心脏病协会房颤管理指南引用并推荐。 在Eur Heart Journal， JACC， Circulation等发表英文80余篇，SCI它引3348次，H因子24，单篇SCI影响因子29.9分，专业方向为心血管血栓性疾病及慢病管理。