《JMIR Aging》：Short-Term Arrhythmia Prediction Using AI Based on Daily Data From Implantable Devices: Multicenter Prospective Observational Study
编辑推荐：
本研究针对当前心律失常短期动态预测算法的匮乏，利用人工智能模型分析来自心脏起搏器远程监测的日常数据，旨在预测未来14天内心律失常的发生或恶化。结果表明，该模型能以66.4%的敏感性和77.4%的特异性进行预测，为植入性设备数据用于短期风险预警提供了初步证据，有望支持临床决策，改善患者管理。
在心脏医学领域，心房颤动(Atrial Fibrillation, AF)是一种常见且危害巨大的心律失常，其患者发生血栓栓塞事件的风险是无AF患者的5倍。随着人工智能(Artificial Intelligence, AI)技术在医疗诊断和预测方面的迅猛发展，其应用已为改善医疗效率、减少不良事件带来了积极影响。心脏植入式电子设备，如起搏器，能够提供长期、连续、高保真的心律监测数据，是训练AI模型进行心律失常预测的绝佳数据来源。然而，尽管已有许多AI模型在预测AF方面展现出潜力，但绝大多数聚焦于长达数月甚至一年的长期风险预测，而能够利用日常数据、对短期（例如未来数周内）心律失常发作进行动态预测的算法却非常稀缺。这种短期预测对于已确诊AF的患者尤为重要，因为它能预警心律失常负荷的近期变化，从而支持治疗方案的及时优化、生成预警并预防后续不良事件。为了填补这一空白，来自西班牙多所医院的研究团队开展了一项名为“IA Pacing”的前瞻性观察性研究，旨在评估仅利用起搏器远程监测数据的人工智能模型，能否有效预测短期内心律失常的发作或加重。这项研究的结果发表在《JMIR Aging》上。
研究人员为开展此项研究，主要运用了以下几项关键技术方法：首先，研究设计为一项在西班牙12个中心进行的多中心前瞻性观察性研究，数据来源于314名植入了同一品牌（波士顿科学）起搏器患者的远程监测系统，所有设备均每日传输数据。其次，在AI预测模型构建方面，研究团队从起搏器远程监测数据中提取了多类变量，包括活动水平、呼吸频率、心率、每日房颤发作次数与总时长、心室快速反应事件、呼吸暂停低通气指数、左心室起搏百分比以及NN间期标准差等。模型将数据划分为45天的序列，其中前31天用于分析，以预测随后14天内心律失常发作次数是增加、减少还是保持不变。最终，基于模型的预测结果，研究人员开发了一个供医护人员使用的网络应用程序，用以展示每位患者的预测结果、置信度评分以及对决策最重要的变量。
研究结果
基线特征：研究共分析了314名患者的数据。患者平均年龄为77岁，男性占61.3%。最常见的起搏器植入适应症是房室传导阻滞(76.7%)。多数患者（76.6%）患有高血压，66.9%患有血脂异常。15.3%的患者有AF病史。平均CHA2DS2-VASc评分为3.5。
AI预测心律失常发作：从植入式设备共收集了65,243个数据序列，其中55,532个用于训练算法，剩余的9,711个预测-观察对用于评估模型性能。对于全体患者，模型预测心律失常发作的总体敏感性为66.4% (95% CI 64.3%-68.3%)，特异性为77.4% (95% CI 76.4%-78.4%)。进一步分析显示，在基线期（观察的31天内）已存在心律失常的患者中，模型敏感性较高，为76.8%，但特异性较低，为39.6%。相反，在基线期无心律失常的患者中，模型特异性较高，达81%，但敏感性较低，为39%。此外，在无AF病史的患者亚组（占73.9%）中，模型的敏感性和特异性分别为69%和80%。
网络应用程序开发：基于AI预测结果以及SHAP（Shapley Additive Explanations）和置信度估计，研究团队开发了一个网络应用程序。该应用的主界面可展示患者列表及其预测结果和置信度评分，并提供搜索筛选功能。点击进入患者详情页，可查看具体预测、置信度、基于SHAP得出的最重要决策变量（以饼图展示）以及各变量的历史变化趋势。
结论与讨论
这项研究表明，利用从起搏器远程监测中提取的数据训练的人工智能模型，能够以合理的敏感性和特异性，预测未来14天内心律失常发作次数的短期增减。这是首个（据研究者所知）仅利用起搏器远程监测数据进行短期动态心律失常预测的研究。相比于依赖临床记录或心电图(ECG)等传统数据源的研究，本模型的优势在于其数据完全来自患者体内已植入的设备，无需额外检查或就诊，为连续、无创的风险监测提供了新思路。模型在无AF病史的患者亚组中表现更佳，提示其对早期干预可能最具价值。尽管模型性能与某些基于海量临床记录、预测周期更长的研究（如Tiwari等人）结果相近，但本研究使用的数据量和类型（仅设备监测的衍生参数）更为有限，这本身是一个有前景的起点。研究也指出了若干局限性：模型训练未纳入人口统计学变量；样本量（314名患者）相对较小，扩大队列有望优化模型并减少过拟合；模型未对AF、房性心动过速和心房高频事件进行区分；且数据均来自单一厂商设备，模型在其他品牌上的可复现性尚不明确。未来的研究可以聚焦于延长预测周期、整合更多临床和人口统计学数据、区分心律失常类型，并在独立队列中进行外部验证。此外，直观易用的网络应用界面对于促进临床医生采纳该工具至关重要。总而言之，这项研究提供了初步证据，表明仅凭心脏植入式设备衍生的数据，即可以有限但可测量的准确性估算心律失常负荷的短期变化。随着模型的进一步开发和在更大规模、包含更多变量的人群中进行验证，其预测性能有望得到提升。这项初步研究为未来利用AI和远程监测数据优化植入性心脏设备患者的管理奠定了基础。
