心房颤动是全球最常见的心律失常，2019年约有 5900 万人受到关注。这种不规则的心跳与心力衰竭、痴呆和中风的风险增加有关。它对医疗保健系统构成了重大负担，使其早期检测和治疗成为主要目标。卢森堡大学卢森堡系统生物医学中心(LCSB)的研究人员最近开发了一种深度学习模型，能够预测从正常心律到心房颤动的转变。它平均在发病前 30 分钟发出预警，准确率约为 80%。这些结果发表在科学杂志《Patterns》上，为整合到可穿戴技术中铺平了道路，从而实现早期干预和更好的患者治疗结果。
在心房颤动期间，心脏的上腔跳动不规律，与心室不同步。恢复正常心律可能需要密集的干预，从电击心脏恢复正常窦性心律到切除导致错误信号的特定区域。能够及早预测心房颤动发作将使患者能够采取预防措施，保持心律稳定。然而，目前基于心率和心电图 (ECG) 数据分析的方法只能在心房颤动发作前检测到它，而不能提供早期预警。
“相比之下，我们的工作从这种方法出发，转向更具前瞻性的预测模型，” LCSB系统控制小组负责人Jorge Goncalves 教授解释道。 “我们使用心率数据来训练深度学习模型，该模型可以识别不同的阶段——窦性心律、心房颤动和心房颤动——并计算患者即将发生发作的“危险概率”。”当接近心房颤动时，概率会增加，直到超过特定阈值，从而提供早期预警。
这种人工智能模型称为 WARN(心房颤动警告)，根据从同济医院(中国武汉)收集的 350 名患者的 24 小时记录进行训练和测试，并平均在房颤开始前 30 分钟发出早期预警。非常准确。与之前的心律失常预测工作相比，WARN 是第一种在远离心律失常发生之前提供警告的方法。
“另一个有趣的方面是，我们的模型仅使用 R 到 R 间隔(基本上只是心率数据)就具有高性能，这些数据可以从易于佩戴且价格实惠的脉搏信号记录仪(例如智能手表)获取，”Marino 博士强调道Gavidia 是该出版物的第一作者，他在攻读博士学位期间在系统控制小组和博士培训单位 CriTiCS 中参与了该项目(见下框)。参与该项目的 LCSB 研究员 Arthur Montanari 博士补充道：“这些设备可供患者日常使用，因此我们的研究结果为开发舒适可穿戴设备的实时监测和早期预警提供了可能性。”
此外，研究人员开发的深度学习模型可以在智能手机中实现，以处理来自智能手表的数据。这种低计算成本使其非常适合集成到可穿戴技术中。长期目标是让患者能够持续监测心律并收到早期预警，以便有足够的时间服用抗心律失常药物或使用一些针对性治疗来预防心房颤动的发作。这反过来又会减少紧急干预并改善患者的治疗效果。
“展望未来，我们将专注于开发个性化模型。日常使用简单的智能手表会不断提供有关个人心脏动态的新信息，使我们能够不断完善和重新训练我们的模型，为该患者提供更早的警告，从而提高性能。”Goncalves 教授总结道。“最终，这种方法甚至可以导致新的临床试验和创新的治疗干预措施。”