预测患者水平的新发心房颤动

房颤 (AF) 是一种常见的慢性疾病，对健康结果有重大影响。 许多 AF 病例发现得太晚 - 作为中风、心力衰竭或其他并发症的表现。 虽然早期检测 AF 有可能预防过早发生心血管疾病，但不建议进行人群筛查。

房颤 (AF) 是一个主要的心血管健康问题。 它是最常见的持续性心律失常，影响欧洲和美国 1-2% 的人口，在普通人群中终生风险为四分之一。 随着人口老龄化，它的患病率越来越高。 因此，这些估计可能会增加，并且目前被低估了，因为 AF 可能长期未确诊。 由于中风、猝死、心力衰竭、计划外住院和相关并发症，房颤占医疗保健支出的 1-3%。 由此产生的新出现的 AF 流行病及其相关的代价高昂的并发症（包括但不限于中风、抑郁症、心力衰竭、急性冠状动脉综合征、认知能力下降和计划外住院）已确保 AF 现在是健康长寿的主要威胁。 房颤的早期诊断，最好是在第一个并发症出现之前，仍然是一项重大的公共卫生挑战。 虽然对于某些 AF 患者可能会出现症状性心悸，但对于其他患者而言，AF 的首次诊断可能是当他们向医疗保健专业人员提出中风、急性心脏代偿失调或合并症恶化时——疾病轨迹中不必要的后期阶段。 这是因为许多 AF 患者可能没有 AF 相关症状。 鉴于近三分之一入住卒中病房的患者在入院时患有房颤，而口服抗凝剂可将卒中风险较高的房颤患者的卒中风险降低多达三分之二，因此，早期检测 AF 的一个令人信服的论据。 为此，国家和国际指南现在建议对 65 岁及以上的患者进行 AF 的机会性筛查（对脉搏不规则的患者进行脉搏触诊，然后进行心电图检查）。 国际指南还建议使用 12 导联心电图和动态心律监测器（根据 AF 的感知风险增加持续时间），在疑似但未确诊的 AF 患者中升级为植入式无引线 AF 记录器 - 并且每个都对医疗保健成本和患者产生影响满意。 虽然使用自助设备对老年人群进行系统性 AF 筛查取得了可喜的结果，但目前英国 (UK) 没有建议对人群进行 AF 系统性筛查，因为尚不清楚那些被确定为风险将受益于早期诊断。 事实上，需要进行研究以更好地了解检出率、诊断准确性、此类计划的结果，以及确定 AF 筛查在哪些亚群中将提供最大的患者和公共卫生价值。

AF 的识别对患者和临床有重要影响。 那些卒中风险较高（CHADSVASC 评分 ≥ 2）且无禁忌证的患者应给予口服抗凝剂预防卒中。 此外，大多数 AF 患者都有中风危险因素，这使他们有资格接受口服抗凝剂，而且许多人会伴有心血管疾病（如高血压、瓣膜性心脏病或心力衰竭），使他们有资格接受进一步调查或治疗。 同样，对于卒中风险较低的 AF 患者（因此不符合口服抗凝药物的条件），建议监测卒中风险增加情况。 准确预测一个人是否以及何时会出现新发 AF，可以进行表型和时间特异性（因此更有效）筛查，以及确定 AF 病因的推定风险标志物。 例如，目前处于窦性心律但中风风险较高且预计在未来特定时间点发生 AF 的患者可能受益于在接近预测日期的 AF 筛查中获益。 同样，根据对新发 AF 风险较高的了解以及因果关系研究的新风险因素，可以主动解决 AF 发展和中风风险的可改变风险因素。 其他可能的研究机会可能包括研究未患有和预计不会患有 AF 的患者，以及生活方式、设备技术和药物治疗策略的评估，以降低新发 AF 高预测风险患者的 AF 风险。

迄今为止，已经开发了许多 AF 风险预测工具，包括来自 CHARGE-AF 联盟、Framingham 心脏研究、CHADS 评分、CHADSVASC 评分和 CHEST 评分等的工具。 CHEST 评分（结构性心脏病、心力衰竭、年龄 ≥ 75 岁、冠状动脉疾病、甲状腺功能亢进、慢性阻塞性肺疾病 (COPD) 和高血压）来自中国云南保险数据库的 471,446 名受试者，并在来自中国云南保险数据库的 451,199 名受试者中得到验证韩国国民健康保险服务被发现可以预测未来的房颤事件。 在 Framingham 心脏研究的 4764 名参与者中，年龄、性别、体重指数、收缩压、高血压治疗、从 P 波开始到心室去极化 (QRS) 复合波开始的时间（PR 间期） )、临床上显着的心脏杂音和心力衰竭被发现使用生存模型作为预测 10 年 AF 事件的评分的组成部分。 然而，迄今为止的每项研究都受到以下一项或多项的限制，即它们使用地理上偏远的数据、历史数据、小数据集、缺乏时间信息、粗略的风险建模以及随之而来的次优模型性能和/或不容易获得的预测变量给全科医生。 可以理解的是，没有一个达到广泛的临床实践。 人工智能促进了大量事件数据和相关时间信息（例如初级保健数据集中的时间信息）的使用，使用自动变量选择技术处理大量预测变量，适应非线性和变量之间的相互作用，实现实时学习方法（从而自动更新预测模型），并且可以使用全人群数据来预测个体是否以及何时会出现新的房颤发作。 一系列人工智能 (AI) 技术已应用于 EHR 数据，并在大规模 EHR 数据中展示了比传统统计方法更好的诊断和预测能力。 然而，正如最近强调的那样，确定在临床上有用的模型非常重要。 例如，一项研究开发了一种支持 AI 的 ECG 算法，该算法可以根据正常窦性心律的 ECG 预测 AF，而向前迈出的重要一步可能不适用于常规 ECG 并不总是可用的社区环境。 因此，使用 AI 技术从常规初级保健电子健康记录数据中开发新发 AF 的预测算法可以为早期转化为临床实践提供机会。 研究人员将开发和验证深度神经网络学习模型，利用来自初级保健的大规模关联电子健康记录 (EHR) 来预测新发房颤的风险。 将使用临床实践研究数据链 (CPRD) - 慢性阻塞性肺病 (GOLD) 的全球倡议对预测算法进行训练和测试，以确定其预测未来 AF 事件的准确性和稳健性，并将使用类似的数据库 CPRD-AURUM 进行外部验证，但在不同的地理位置。 新的预测算法将与一系列经典的机器学习技术以及传统的统计预测建模方法进行比较。 在与现有模型相比将预测精度提高至少 5% 的成功模型之前，该算法可以通过免费软件轻松获得。