人工智能心電算法對臨床心律失常檢測的有效性評估

黎明 張宇霞 蔡衛衛 胡傳言 盧海濤

心律失常是由于竇房結激動異?；蚣赢a生于竇房結以外，激動的傳導緩慢、阻滯或經異常通道傳導，即心臟活動的起源和/或傳導障礙導致心臟搏動的頻率和/或節律異常。全世界因心律失常誘發突發性心搏停止導致死亡的患者比例占所有因心血管疾病而死亡患者數量的1/2[1-4]。臨床心電圖是醫學界廣泛認可的用于篩查和診斷心律失常的方法。然而目前中國的心電醫生供不應求，能熟練并準確讀取識別心電圖的醫生數量更少[5]。另一方面，目前大多數12導聯心電圖自動診斷的可靠性仍然較低[6-7]。因此，迫切需要更有效的手段來實現心電圖的自動識別。隨著計算機智能技術的飛速發展，人工智能技術在部分醫學領域取得了巨大發展，已成功應用于心血管疾病的診斷和治療[8]。本院與樂普人工智能心電醫學團隊合作，評估基于人工智能的AI-ECG心電算法對心律失常檢測的有效性，為未來人工智能指導臨床治療提供實踐基礎，幫助臨床醫生更加高效準確地完成臨床實踐工作。

1 資料與方法

1.1 一般資料

選擇2018年9月至2019年9月于我院實行人工智能心電網絡系統就診的13 145例患者，共收集13 949 份心律失常樣本。納入標準：年齡≥18周歲。排除標準：年齡<18周歲以及使用起搏器的患者。所有靜態心電檢查的診斷標準均符合《內科學》的要求[9]。所有臨床資料均征得患者家屬的知情與同意，并已獲醫學倫理委員會批準。13 145例研究對象資料包括門診3888例，住院3637例，體檢5620例；其中，男6919例，女6226例，年齡18～103歲，年齡中位數32歲。

1.2 方法

1.2.1 數據采集方法 本項目使用由深圳市凱沃爾電子有限公司生產的ECG-1112M型12導聯心電圖機，以25 mm/s的紙速、10 mm/mV的增益，于安靜環境下對患者進行心電圖檢查，并要求其保持平臥，全身放松。數據采集結束后上傳至樂普人工智能心電分析軟件(AI-ECG Platform)進行計算機分析，得到人工智能算法的分析結果。

1.2.2 評價方法 由2位本院醫師根據心電圖對受試者的心律狀態做出診斷，若診斷結果一致，則作為金標準，若不一致則提交3名心電臨床專家復核，3位專家的一致性結果作為金標準，排除診斷不一致的數據。比對金標準與人工智能算法的分析結果，評估人工智能算法檢測心律失常的準確性。

1.3 統計學方法

采用篩檢試驗中的靈敏性、特異性、陽性預測率、陰性預測率及正確率來評估人工智能算法與金標準對比研究的有效性。根據《北京市第二類體外診斷試劑臨床試驗指導原則(2016版)》，使用SPSS 21.0統計學軟件并采用Kappa系數評價兩類結果的一致性。若Kappa系數≥0.75，表明結果一致性強；0.75>Kappa系數≥0.4，表明結果一致；Kappa系數<0.4，表明結果不一致。計數資料以百分率表示。

2 結果

2.1 AI-ECG人工智能算法測試17類心律失常事件

本研究收集了AI-ECG分析的13 949份心律失常樣本，共統計出17種類型心律失常事件。其中，如表1所示，序號1～3為竇性心律失常事件，患病樣本量分別為竇性心律不齊9966例、竇性心動過緩4871例、竇性心動過速1317例；序號4為房顫事件，患病樣本量225例；序號5～9為室上性心律失常事件，患病樣本量分別為室上性早搏698例，室上性心動過速42例，室上性早搏成對97例，室上性早搏二聯律41例，室上性早搏三聯律12例；序號10～12為室上性逸搏類心律失常事件，患病樣本量分別為房性逸搏心律42例，房性逸搏33例，交界性逸搏14例；序號13～17為室性心律失常事件，患病樣本量分別為室性早搏310例，室性早搏二聯律13例，室性早搏成對6例，室性早搏三聯律4例，室性逸搏5例。

由AI-ECG診斷的所有心律失常事件的特異性和準確率均高于99%。除竇性心動過速、室上性心動過速、室上性早搏二聯律、室上性早搏三聯律和室性早搏的靈敏性分別為97.48%、90.91%、92.00%、90.00%和98.65%外，其余12類心律失常事件的靈敏性均高于99%。實驗數據表明2種方法所檢測的17類心律失常事件均具有一致性，其中，有11類心律失常事件的Kappa系數≥0.75，表明二者間具有強一致性。17類心律失常事件的綜合靈敏性、特異性和準確率分別為98.08%、99.84%和99.84%。

表1 AI-ECG人工智能算法和醫生團隊獨立診斷金標準對17類心律失常事件的統計學分析結果

3 討論

《中國心血管病報告2018》[10]指出，中國心血管疾病的患病率仍處在持續上升的階段，預估患病人數已達2.9億，死亡率一直居高不下。心血管疾病導致的死亡占居民疾病死亡的40%以上，居各類疾病誘發死亡的首位。全球范圍內，心律失常和心臟性猝死是人類健康最大的危險因素。長期以來，心電圖是臨床醫學上用于心律失常篩查和診斷最常規的方法。傳統的心電圖數據高度依賴人工對特征的提取，由于長時間工作，人工診斷容易出現疲勞而影響心電圖報告的準確性。隨著計算機智能技術的飛速發展，中國于20世紀80年代開始引進心電圖自動分析系統。AI-ECG Platform將人工智能技術和心電圖診斷結合起來，對心搏進行精準識別并確定心電圖中各種類型的心律失常，幫助臨床醫生快速準確地閱讀分析心電圖。因此，我們開展了對AI-ECG Platform臨床有效性的評估工作。本院與樂普人工智能心電醫學團隊合作，采用其研發的AI-ECG Platform，基于深度學習算法(卷積神經網絡)的先進心電圖分析引擎來自動提取患者心電圖特征。以2位本院醫師根據心電圖對受試者的心律狀態做出的一致診斷作為金標準，評估人工智能算法檢測心律失常的準確性。

本研究結果顯示，AI-ECG診斷17類心律失常事件的綜合靈敏性、特異性和準確率分別為98.08%、99.84%和99.84%。其中，竇性心律失常和房顫事件的靈敏性(均>97%)、特異性(均>99%)和準確率(均>99%)都較高，且Kappa系數均>98%，說明AI-ECG診斷與金標準之間具有一致性。有研究發現,使用華為手機基于光電容積脈搏波描記法原理(photoplethysmography，PPG)的房顫篩查的陽性預測率為91.6%[11]。第68屆美國心臟病學會科學年會報告了使用蘋果Apple Watch設備檢測受試者房顫的陽性預測值為0.84。然而，本研究使用AI-ECG Platform的人工智能算法診斷的房顫陽性預測率高達98.67%。綜合比較表明，人工智能心電算法對竇性心律失常和房顫事件的識別能滿足臨床需求。其余的室上性心律失常、室上性逸搏類心律失常及室性心律失常事件的靈敏性(均>90%)、特異性(均>99%)和準確率(均>99%)也都較高，Kappa系數均>0.4，說明AI-ECG診斷與金標準之間具有一致性，顯示出AI-ECG診斷應用于臨床的巨大潛力，但受限于收集的發病率及樣本總量，對患者樣本量較小(<100)的心律失常事件的準確性還需要進一步評估。此外，AI-ECG人工智能算法在V5、V6導聯嚴重干擾的情況下，仍可準確識別竇性心動過速、室上性早搏和三聯律等心律失常事件。這表明AI-ECG人工智能算法分析具有強的抗干擾能力。綜上所述，基于人工智能的AI-ECG心電算法對心律失常的檢測結果與臨床心電圖檢測結果高度一致，具有良好的臨床應用前景。

基于此，我們開展了對于AI-ECG Platform臨床有效性評估工作，第1階段篩選了心律失常的臨床樣本進行測量和分析，研究證實AI-ECG對靜態心電圖心律失常分析具有較高的臨床價值。但受限于收集的發病率及樣本總量，下一步將納入更多的病例樣本完善其有效性的評估，并對心肌梗死、房室肥大等心臟疾病進行人工智能算法的臨床有效性評估。第2階段將開展AI-ECG對結構性心臟疾病分析的臨床研究，逐步完善臨床評估體系，希望未來可以更好地服務于臨床，幫助臨床醫生更加高效準確地完成臨床實踐工作。