新的研究表明，根據簡單的心率資料訓練的人工智慧可以提前30分鐘預測最常見的心律不整–心房顫動的發作。根據計劃，該模型將整合到智慧型手機中，以便分析智慧手錶的數據，從而發揮預警系統的作用。

心房顫動（心房顫動）是最常見的心律不整，它大大增加了急診就診率以及中風和失智症等其他疾病的風險。心房顫動是指心臟上腔（心房）與下腔（心室）不同步地混亂跳動，從而產生不規則、通常非常快的心律。

要讓心房顫動患者恢復正常的竇性心律，可能需要採取強化干預措施，如心臟復甦術，透過低能量電擊來”重置”心臟的傳導系統。 (是的，這就是醫療節目中使用的設備，伴隨著一聲”CLEAR！”）。因此，如果能在心房顫動發作前檢測到它，就能進行早期幹預，從而改善患者的預後。

盧森堡大學盧森堡系統生物醫學中心（LCSB）的研究人員發表了一項研究，他們訓練了一個深度學習模型，可以提前30分鐘準確預測一個人何時會出現心房顫動。

目前，心電圖（ECG）只能在心房顫動發生前偵測到心房顫動，因此不能被視為一種預警系統。

“相較之下，我們的工作偏離了這種方法，而是採用了一種更具前瞻性的預測模型，”LCSB系統控制小組負責人、該研究的通訊作者豪爾赫-貢卡爾維斯（Jorge Goncalves）說。 “我們利用心率資料訓練了一個深度學習模型，該模型可以識別不同的階段–竇性心律、心房顫動前期和心房顫動–併計算出患者即將發作的’危險機率’。”

該模型名為WARN（Warning of Atrial fibRillatioN），是在中國同濟醫院收集的350 名患者的24 小時心電圖記錄上進行訓練和測試的。這些數據被心臟科醫師分為竇性心律、心房顫動前期和心房顫動。為了訓練模型捕捉心房顫動前兆，研究人員使用了心電圖上R 波間隔（RRI）的變化作為主要資料來源。

使用標準心電圖的RR 間期(RRI) 訓練深度學習模型盧森堡大學/LCSB

深度學習模型每15 秒採集30 秒RRI 樣本，計算即將發生心房顫動的機率。在測試資料（70 名患者）和兩個外部驗證集（33 名患者）上，WARN 平均提前31 分鐘和33 分鐘預測心房顫動發生，準確率分別為83% 和73%。

研究的第一作者馬裡諾-加維迪亞（Marino Gavidia）說：”我們的模型只使用R-to-R時間間隔，基本上只使用心率數據，就能實現很高的性能。”

研究人員預計，該設備將用於智慧型手機，處理從智慧手錶獲得的數據。長期目標是讓患者能夠持續監測自己的心律，並及早發出警告，讓他們能夠使用口服抗心律不整藥物等治療方法來預防心房顫動的發生。研究人員說，這種技術還可以實現個人化。

“今後，我們將重點開發個人化模型，”Goncalves 說。 “每天使用一個簡單的智慧手錶，就能不斷提供有關個人心臟動態的新信息，使我們能夠不斷完善和重新訓練針對該患者的模型，以實現更高的性能和更早的預警。最終，這種方法甚至可以帶來新的臨床試驗和創新的治療介入。

這項研究發表在《模式》雜誌。