阵发性心房颤动发作风险的人工智能预测模型.pdf

中国心血管病研究2024年3月第22卷第3期ChineseJournalofCardiovascularResearch，March2024，Vol.22，No.3

·196·

专题专题··临床研究临床研究

阵发性心房颤动发作风险的人工智能预测模型阵发性心房颤动发作风险的人工智能预测模型

李盼盼韩宇臣李峰陈雨郭军

基金项目：广州市科技计划项目（重点研发）（202103000010）；广州市泛血管病基础及转化研究实验中心重点实验室（a01937）；

广州市无菌动物与微生态转化重点实验室（202201020381）；

暨南大学附属第一医院临床前沿新技术项目（JNU1AF-CFTP-2022-a01218）

作者单位：510630广东省广州市，暨南大学附属第一医院心内科（李盼盼、韩宇臣、郭军）；

深圳大微医疗科技开发有限公司（李峰、陈雨）

通信作者：郭军，E-mail：dr.guojun@163.com

【摘要】目的建立一种基于24h心电图数据开发的集成模型，从而对房颤高危人群发生房颤的风险，

及实时预测阵发性房颤患者房颤的发作。方法连续回顾性收集2018年1月1日至2021年12月31日在暨

南大学第一附属医院心电报告诊断为阵发性心房颤动的患者共310例，经筛选后共有124例患者作为心房

颤动组纳入本研究。同时以1∶4的比例随机选择496例心电图报告正常的患者作为非心房颤动组。两组患

者最终一起被随机分配，得到训练集（n=434）、验证集（n=62）和测试集（n=124），比例为7∶1∶2，以进行心电

模型训练。建立心电神经网络模型和心率神经网络模型，最后使用逻辑回归将心电神经网络模型和心率神

经网络模型结合得到集成模型。结果经过训练、验证和测试，人工智能集成算法的曲线下面积为0.94

（95%CI0.75~0.94），其敏感度、特异度、准确度、精确度和F1分数分别为56.0%、98.0%、90.0%、93.0%和0.70。

与临床风险模型和现有的房颤预测模型HARMS2-AF评分相比，AI算法的性能更好（P0.01）。结论人工

智能集成算法可能是预测房颤风险，实时预测房颤发作的有效方法,可以作为一种早期预警工具。这对房

颤的筛查，个体化抗凝方案的制定具有重要的临床意义。

【关键词】人工智能；24h动态心电图；阵发性心房颤动；风险预测

doi：10.3969/j.issn.1672-5301.2024.03.002

中图分类号R541.7文献标识码A文章编号1672-5301（2024）03-0196-07

Artificialintelligencepredictivemodelforriskofparoxysmalatrialfibrillation

LIPan-pan，HANYu-chen，LIFeng，CHENYu，GUOJun.DepartmentofCardiology，TheFirstAffiliatedHospital

ofJinanUniversity（LIPan-pan，HANYu-chen，GUOJun），Guangzhou510630，China；ShenzhenDaweiMedical

TechnologyDevelopmentlimitedcompany（LIFeng，CHENYu），Shenzhen518000，China.

Correspondingauthor：GUOJun，E-mail：dr.guoiun@163.com

【Fundprogram】GuangzhouScienceandTechnologyProgramProjects（KeyProgram）（202103000010）；

KeyLaboratoryofGuangzhouExperimentalCenterforBasicandTranslationalResearchonPan-vascularDi