新的研究表明，根据简单的心率数据训练的人工智能可以提前30分钟预测最常见的心律失常--房颤的发作。根据计划，该模型将被整合到智能手机中，以便分析智能手表的数据，从而发挥预警系统的作用。

心房颤动（房颤）是最常见的心律失常，它大大增加了急诊就诊率以及中风和痴呆等其他疾病的风险。心房颤动是指心脏上腔（心房）与下腔（心室）不同步地混乱跳动，从而产生不规则、通常非常快的心律。

要让房颤患者恢复正常的窦性心律，可能需要采取强化干预措施，如心脏复苏术，通过低能量电击来"重置"心脏的传导系统。(是的，这就是医疗节目中使用的设备，伴随着一声"CLEAR！"）。因此，如果能在房颤发作前检测到它，就能进行早期干预，从而改善患者的预后。

卢森堡大学卢森堡系统生物医学中心（LCSB）的研究人员发表了一项研究，他们训练了一个深度学习模型，可以提前30分钟准确预测一个人何时会出现房颤。

目前，心电图（ECG）只能在房颤发生前检测到房颤，因此不能被视为一种预警系统。

"相比之下，我们的工作偏离了这种方法，而是采用了一种更具前瞻性的预测模型，"LCSB系统控制小组负责人、该研究的通讯作者豪尔赫-贡卡尔维斯（Jorge Goncalves）说。"我们利用心率数据训练了一个深度学习模型，该模型可以识别不同的阶段--窦性心律、房颤前期和房颤--并计算出患者即将发作的'危险概率'。"

该模型名为 WARN（Warning of Atrial fibRillatioN），是在中国同济医院收集的 350 名患者的 24 小时心电图记录上进行训练和测试的。这些数据被心脏病专家分为窦性心律、房颤前期和房颤。为了训练模型捕捉房颤前兆，研究人员使用了心电图上 R 波间隔（RRI）的变化作为主要数据源。

使用标准心电图的 R-R 间期 (RRI) 训练深度学习模型 卢森堡大学/LCSB

深度学习模型每 15 秒采集 30 秒 RRI 样本，计算即将发生房颤的概率。在测试数据（70 名患者）和两个外部验证集（33 名患者）上，WARN 平均提前 31 分钟和 33 分钟预测房颤发生，准确率分别为 83% 和 73%。

研究的第一作者马里诺-加维迪亚（Marino Gavidia）说："我们的模型只使用R-to-R时间间隔，基本上只使用心率数据，就能实现很高的性能。"

研究人员预计，该设备将用于智能手机，处理从智能手表获得的数据。长期目标是让患者能够持续监测自己的心律，并及早发出警告，让他们能够使用口服抗心律失常药物等治疗方法来预防房颤的发生。研究人员说，这种技术还可以实现个性化。

"今后，我们将重点开发个性化模型，"Goncalves 说。"每天使用一个简单的智能手表，就能不断提供有关个人心脏动态的新信息，使我们能够不断完善和重新训练针对该患者的模型，以实现更高的性能和更早的预警。最终，这种方法甚至可以带来新的临床试验和创新的治疗干预。"

这项研究发表在《模式》杂志上。