已经发现人工智能(AI)模型用于鉴别患有间歇性心房颤动的患者，即使在正常节律期间使用快速且非侵入性的10秒测试进行，与目前可能需要数周至数年的测试相比。虽然早期并且在实施前需要进一步研究，但这些发现可以帮助医生调查不明原因的中风或心力衰竭，从而实现适当的治疗。

研究人员已经培训了一种人工智能模型，用于检测正常节律患者的10秒心电图(心电图)中心房颤动的特征。该研究涉及近181,000名患者并发表在“柳叶刀”杂志上，是第一个使用深度学习来识别可能未被发现的心房颤动的患者，总体准确率为83%。该技术在ECG中发现可能对人眼不可见的信号，但包含有关心房纤颤存在的重要信息。

估计心房颤动在美国会影响270-610万人[1]，并且与卒中，心力衰竭和死亡风险增加有关。由于患者的心脏可以进出这种异常节律，因此难以在单个心电图上检测到，因此心房颤动常常未被诊断。

美国梅奥诊所心血管医学系主任Paul Friedman博士说：“在心电图上应用人工智能模型可以检测心房纤颤，即使记录心电图时也不存在。就像看海洋一样现在，能够分辨出昨天有大浪。“[2]

他指出：“目前，人工智能已经在需要临床调查的人中使用心电图进行了培训，但不是原因不明的卒中患者，也不是整体人群，因此我们还不确定它在诊断这些人群方面的表现如何。通过非侵入性和广泛可用的测试快速而廉价地进行测试的能力可能有一天有助于识别未确诊的心房颤动并指导重要治疗，预防中风和其他严重疾病。[2]

在不明原因的中风后，准确检测心房颤动非常重要，以便对患者进行抗凝治疗以降低中风复发的风险，而其他患者(可能因此治疗而受伤)则不然。目前，在这种情况下的检测需要数周至数年的监测，有时需要植入装置，可能使患者面临复发性卒中的风险，因为目前的方法并不总能准确地检测到心房颤动，或者需要花费太长时间。

心房颤动的心脏发生结构变化，例如腔室扩大。在诸如超声心动图之类的标准成像技术可见这些变化之前，心房颤动可能存在心脏纤维化(瘢痕形成)。另外，心房颤动的存在可能暂时改变心肌的电特性，即使它已经结束。

研究人员开始训练神经网络 - 一类深度学习AI - 识别标准心电图中的细微差异，这些差异被认为是由于这些变化，尽管神经网络是“黑匣子”，具体发现是驱动他们的观察结果尚不清楚。作者使用了从1993年12月至2017年7月期间从近181,000名患者[3](约650,000次ECG扫描)中获得的心律ECG，将数据分为心房颤动阳性或阴性的患者。

心电图数据分为三组：训练，内部验证和测试数据集，培训组为70%，验证和优化为10%，测试组为20%(训练数据集中126,526名患者为454,789个心电图，64,340个心电图)来自验证数据集中的18,116名患者和来自测试数据集中的36,280名患者的130,802名ECG。

AI在识别心房颤动的存在方面表现良好：对每位患者的第一次心电图输出进行测试，准确度为79%(单次扫描)，当同一患者使用多个心电图时，准确度提高到83% 。需要进一步研究以确认特定人群的表现，例如原因不明的卒中患者(未确定来源的栓塞性卒中 - ESUS)或心力衰竭。

该研究的作者还推测，有一天可能会使用这项技术作为医生手术中的护理点诊断测试，以筛查高危人群。筛查患有高血压，糖尿病或年龄超过65岁的房颤患者可以帮助避免疾病，但是，目前的检测方法成本高，并且确定的患者很少。此外，该筛查目前需要佩戴大而不舒服的心脏监测器数天或数周。

来自美国梅奥诊所的研究联合研究员姚晓曦博士说：“我们的算法有可能用于低成本，广泛使用的技术，包括智能手机，然而，这需要在广泛应用之前进行更多的研究。 “[2]

作者在他们的工作到达诊所之前注意到了一些限制和进一步的研究。与普通人群相比，所研究的人群可能具有更高的心房颤动患病率。因此，AI已被训练以回顾性地对临床指示的ECG进行分类，而不是用于健康患者或具有不明原因中风的患者的预测，并且在广泛应用于筛选更广泛的健康人群之前可能需要校准。

如果患者没有经过验证的诊断，患者被认为是心房颤动阴性，但有些患者可能未被诊断并且被错误标记，因此AI可能已经确定了以前的检测结果。另一方面，AI确定的一些假阳性患者有心房颤动病史(尽管被人类归类为阴性)，实际上可能患有未确诊的心房颤动。由于AI仅与其训练的数据一样好，因此当将测试应用于其他群体(例如没有指示ECG的个体)时，解释中可能存在错误。

阿德莱德大学和澳大利亚阿德莱德皇家阿德莱德医院的Jeroen Hendriks博士在一篇相关评论中说：“总之，Attia及其同事们对他们的创新方法以及AI的彻底开发和本地验证表示祝贺。鉴于AI算法最近达到了心脏病学家的诊断性能水平，这种AI-ECG解释在创建一种算法中是开创性的，以揭示显示窦性心律的心电图中心房纤颤的可能性。