XiaoMi-AI文件搜索系统
World File Search System心房颤动
使用动态心电图波形诊断心房颤动的可解释人工智能模型
摘要 心房颤动是一种临床上重要的心律失常。有一些关于使用心电图数据进行 AF 诊断的机器学习模型的报道。然而，很少有报道提出一种可解释的人工智能 (XAI) 模型，使医生能够轻松理解机器学习模型的诊断结果。我们开发并验证了一种基于卷积神经网络 (CNN) 算法的支持 XAI 的心房颤动诊断模型。我们使用了 Holter 心电图监测数据和梯度加权类激活映射 (Grad-CAM) 方法。我们使用了 2016 年 1 月 4 日至 2019 年 10 月 31 日期间记录的患者心电图数据，共计 57,273 个 30 秒的心电图波形槽，每个波形槽都有心脏病专家注释的诊断信息，用于训练我们提出的模型。我们的人工智能模型用于房颤诊断的性能指标如下：敏感性 97.1%（95% CI：0.969-0.972）；特异性 94.5%（95% CI：0.943-0.946）；准确率 95.3%（95% CI：0.952-0.955）；阳性预测值 89.3%（95% CI：0.892-0.897）；F 值 93.1%（95% CI：0.929-0.933）。使用我们的模型进行房颤检测的受试者工作特征曲线下面积为 0.988（95% CI：0.987-0.988）。此外，使用 XAI 方法，我们的机器学习模型确定的感兴趣区域中的 94.5 ± 3.5% 被心脏病专家确定为 AF 诊断的特征部位。使用我们提出的基于 CNN 的 XAI 模型，AF 被准确诊断并用 Holter ECG 波形得到良好解释。我们的研究朝着实现可行的基于 XAI 的 AF 诊断检测模型又迈出了一步，供医生使用。（Int Heart J 2021；62：534-539）关键词：卷积神经网络、机器学习、Holter 监测、梯度加权类激活映射
预测心房颤动患者的心力衰竭：前瞻性Cool-AF注册中心的报告
摘要：背景：这项研究旨在确定风险因素和发病率，并为心脏衰竭患者的心力衰竭开发预测风险模型（AF）。方法：这是2014年至2017年之间泰国非浮力AF患者的前瞻性多中心注册表。主要结果是发生HF事件。使用多变量COX-PROPARTIANTION模型开发了一个预测模型。使用C-指数，D统计量，校准图，Brier检验和生存分析评估预测模型。结果：平均随访时间为25.7±10.6个月，共有3402例患者（平均67.4岁，男性为58.2％）。随访期间有218例患者发生心力衰竭，每100人年的发病率为3.03（2.64–3.46）。该模型中有十个HF临床因素。从这些因素开发的预测模型的C-指数和D统计量为0.756（95％CI：0.737–0.775）和1.503（95％CI：1.372–1.634）。校准图在预测模型和观察到的模型之间显示出良好的一致性，校准斜率为0.838。使用Bootstrap方法确认了内部验证。Brier分数表明该模型对HF具有良好的预测。结论：我们为AF患者提供了良好的临床HF预测模型，具有良好的预测和歧视值。
英国队列中心房颤动的电子健康记录关联研究
背景：心房颤动 (AF) 会造成巨大的医疗负担，包括住院治疗和 AF 相关并发症，如中风和心力衰竭。我们进行了一项电子健康记录范围的关联研究，以确定新发 AF 前后最常见的医疗使用原因。方法：前瞻性队列研究，使用英国临床实践研究数据链 (1998 – 2016) 中 560 万患者的相关电子健康记录。对 AF 患者及其年龄和性别匹配的对照者进行了一项队列研究，以比较频繁住院和初级会诊的 100 个主要原因。结果：在 199,433 名罹患 AF 的患者中，我们发现最常见的医疗保健互动是心脏、脑血管和外周血管疾病，既包括 AF 诊断前（二级护理中 41/100 的疾病，如脑梗塞和瓣膜疾病；初级护理中 33/100 的疾病），也包括 AF 诊断后（住院治疗中 47/100 的疾病和初级护理中 48 的疾病）。癌症和影响多器官系统的感染重复就诊的比例很高。我们发现了 10 种尚未与 AF 相关的新疾病：叶酸缺乏症、全血细胞减少症、特发性血小板减少性紫癜、脂溢性皮炎、淋巴水肿、血管性水肿、咽喉反流、肋骨骨折、出血性胃炎、炎性多发性神经病。结论：我们的全国数据提供了知识，并更好地了解了 AF 患者的临床需求，这表明：(i) AF 风险较高的群体，筛查可能更具成本效益；(ii) 新发 AF 后出现的潜在并发症可以通过实施综合综合护理管理和更个性化、量身定制的治疗来预防。临床试验注册：NCT04786366
大动脉转位 (TGA)
在简单的右心室型心房颤动 (d-TGA) 中，主动脉和主肺动脉 [PA] 被调换，这样主动脉从右心室 (RV) 前方伸出，主肺动脉 [PA] 从左心室 (LV) 后方伸出。另一种类型的心房颤动是左心室型心房颤动 (l-TGA)，其中心室也被调换，称为先天性矫正心房颤动 (cc-TGA)。心房颤动可能与其他心脏异常有关，例如室间隔缺损 (VSD)、房间隔缺损 (ASD)、DORV、伴有室间隔缺损的肺动脉狭窄和左心室流出道阻塞 (LVOTO)。本文将讨论伴有/不伴有室间隔缺损的右心室型心房颤动及其治疗。
Trem2+心脏巨噬细胞中的治疗性SPP1沉默抑制心房颤动
越来越多的证据指向AFIB发病机理中的免疫系统3，特别是巨噬细胞4。在最近的一项研究中，我们观察到AFIB患者心房组织4的炎症性巨噬细胞和心房纤维化的扩大。为了更好地剖析巨噬细胞，纤维化和AFIB之间的关系，我们开发了一种小鼠模型，该模型通过结合常见的临床危险因素来概括人AFIB：高血压，肥胖和二尖瓣反流（称为荷马）。通过单细胞转录组学比较了人类与AFIB和荷马小鼠的心房组织，记录了AFIB动物模型的高保真度。我们确定了骨桥蛋白，在人类和小鼠中由SPP1编码为SPP1，是AFIB患者和荷马小鼠4的招募心房巨噬细胞中的最高上调基因4。骨桥蛋白是一种保守的多效性基质蛋白，结合了几种整合素和CD44家族受体。巨噬细胞衍生的骨桥蛋白刺激成纤维细胞产生更多的基质蛋白，并且与几种慢性纤维化疾病的进展5。心脏中的纤维化导致心房组织的异质性，它阻碍了均匀的电导传导，并充当AFIB 6的结构底物。最值得注意的是，单核细胞衍生的巨噬细胞中骨桥蛋白的转基因缺失减少了心房纤维化和荷马小鼠4。
基于 P 波、HRV 和 QR 电交替特征的阵发性心房颤动检测方法
阵发性心房颤动 (PAF) 的检测是一个相当复杂的过程，由心脏病专家或电生理学家通过读取心电图 (ECG) 手动执行。目前，已经提出了基于快速傅里叶变换 (FFT)、贝叶斯最优分类器 (BOC)、K 最近邻 (K-NN) 和人工神经网络 (ANN) 的自动检测计算技术。在本研究中，基于 P 波、QRS 复合波和心电图心率变异性 (HRV) 的形态获得了六个特征。使用来自 Physionet 心律失常数据库 MIT-BIH 的临床心电图信号验证了该方法的性能。前馈神经网络用于检测 PAF 的存在，总体准确率达到 97.4%。结果表明，与仅使用其中一个或最多两个信息的其他研究相比，加入 P 波、HRV 和 QR 电交替的信息可以提高识别 PAF 事件的准确性。
个性化心血管医学和心血管影像中的人工智能
值为 33.8%，这是由于射血分数阈值小于 30% (17)。另一项研究使用了来自 126,526 名患者的 12 导联心电图数据来开发 CNN，以识别仍处于窦性心律的心房颤动患者。当分析每个患者的多张心电图时，该算法能够识别心房颤动，AUC 为 0.90，灵敏度为 82.3%，特异性为 83.4% (18)。假设结构性心脏变化（例如肌细胞肥大、纤维化和扩张）通常先于心房颤动，而 CNN 能够在心电图中识别的正是这些结构性变化。然而，这项研究并非没有局限性；该神经网络是通过对心房颤动发病率较高的人群进行回顾性分类来训练的，因此可能存在过度拟合的风险，而没有心房颤动的患者组可能有未被发现的心房颤动，因此这些患者可能被错误标记，影响算法的准确性。尽管如此，该研究确实强调，可以使用一种低成本、可访问且非侵入性的测试来筛查可能患有心房颤动的患者，作为预防和诊断工具（18）。进一步的研究探索了从常规心电图检测结构性心脏变化的概念，包括使用人工智能检测左心室肥大
AI 过滤器可提高植入式循环记录器检测心房颤动的阳性预测值
11. Attia ZI、Noseworthy PA、Lopez-Jimenez F 等。一种用于识别窦性心律期间心房颤动患者的人工智能心电图算法：结果预测的回顾性分析。《柳叶刀》2019；394：
心房利钠肽作为心房颤动、心力衰竭和心房淀粉样变性之间的桥梁
摘要：心房利钠肽主要由心房合成，排出后主要有两个作用：扩张血管和增加肾脏对钠和水的排泄。近几十年来，人们对心房利钠肽在心脏系统中的作用有了很大的了解。本综述重点介绍了几项研究，这些研究证明了分析心脏内分泌和机械功能之间调节的重要性，并强调了心房利钠肽作为心房的主要激素对心房颤动 (AF) 和相关疾病的影响。本综述首先讨论了有关心房利钠肽诊断和治疗应用的现有数据，然后解释了心房利钠肽对心力衰竭 (HF) 和心房颤动 (AF) 以及反之亦然的影响，其中跟踪心房利钠肽水平可以了解这些疾病的病理生理机制。其次，本综述重点介绍了心房利钠肽的常规治疗，例如心脏复律和导管消融，以及它们对心脏内分泌和机械功能的影响。最后，本文提出了关于心脏复律后心脏机械和内分泌功能恢复延迟的观点，这可能导致急性心力衰竭的发生，以及通过大面积消融或手术恢复窦性心律对失去 ANP 产生部位的潜在影响。总体而言，ANP 通过影响血管舒张和排钠作用在心力衰竭中起关键作用，导致肾素-血管紧张素-醛固酮系统活性降低，但了解 ANP 在 HF 和 AF 中的密切作用对于改善其诊断和个性化患者治疗至关重要。
心外膜脂肪组织以及心房颤动（AFIB）的发育和心力衰竭，保留的射血分数（HFPEF）
心外膜脂肪组织（EAT）与许多心血管异常的发展有关，这组患者的房颤（AFIB）的发展并不罕见。已经提出了几种机制来解释EAT在AFIB发展中的作用。由于潜在的脂肪浸润以及随后的炎症和纤维化，它涉及心脏重塑。这导致形成的异位灶，可能导致AFIB。一些研究表明，结构性和瓣膜性心脏病以及增加的血液动力胁迫进一步增强了潜在饮食患者的AFIB的发展。AFIB的发展程度也与饮食厚度和体积有关。因此，饮食定量可以用作预测这些患者心血管结局的成像技术。肥胖症在AFIB的发展中也起着重要作用，既是独立因素，也可以导致脂肪组织对心外膜组织的沉积。了解饮食的病理生理学很重要，因为它可以导致疗法的发展，这些疗法可以将肥胖作为预防AFIB的危险因素。已经对一些有希望的疗法进行了研究，以降低饮食患者的AFIB风险。饮食变化和体重减轻已被证明可减少脂肪在心外膜组织上的沉积。抗糖尿病药物和他汀类药物疗法也显示出令人鼓舞的结果。减肥手术已显示可减少肥胖患者超声心动图的饮食量。