HRS 2026 前沿|AI“读心术”+ Apple Watch“火眼金睛”:心律失常管理进入智能时代!

随着人工智能（AI）技术的飞速发展和智能可穿戴设备的普及，医疗健康领域正经历一场深刻的变革。在心律失常管理方面，AI 不再是遥远的科幻概念，而是已经深入到临床实践，成为医生诊断和患者自我管理的重要工具。HRS 2026 大会上，多项研究揭示了 AI 在心电图预测、Apple Watch 在儿童心律失常检测以及植入式心脏监测器（ICM）风险分层中的突破性进展，预示着心律失常管理正全面迈向智能时代。本文将结合 HRS 2026 的最新研究，为您深度解析 AI 与可穿戴设备在心律失常管理中的创新应用。

AI-ECG：房颤风险的“精准预警员”

HRS 2026

传统的房颤诊断依赖于症状发作时的心电图记录，往往具有滞后性。HRS 2026 报告的一项研究展示了 AI-ECG 在预测未来房颤风险方面的强大潜力。

研究背景

心房颤动（AF）在先天性心脏病（CHD）患者中会导致显著的发病率和死亡率，但目前缺乏有效的预测工具。AI-ECG 在成人中已显示出预测未来心房心律失常的潜力，但在儿科和 CHD 人群中尚未得到探索。

研究方法

该研究旨在开发一种 AI-ECG 算法，用于预测儿科和 CHD 人群在整个生命周期中未来心房心律失常的发生。研究纳入了波士顿儿童医院 2000-2018 年间所有年龄段的 12 导联心电图，用于训练（75%）和测试（25%）AI-ECG 模型，以预测心电图后 1 年和 5 年内房颤/心房扑动的发生。排除了记录时已存在心房心律失常的心电图。该模型在德克萨斯儿童医院的外部队列（1989-2012 年的心电图）中进行了外部验证。模型性能通过每个患者的一份心电图进行评估。

研究结果

• 内部和外部队列分别包括 152,692 名患者（414,138 份心电图；中位年龄 11.4 岁；5 年事件发生率 2.1%）和 181,876 名患者（356,236 份心电图；中位年龄 7.0 岁；5 年事件发生率 1.0%）。

• 模型在内部（5 年 AUROC 0.88-0.90）和外部（5 年 AUROC 0.86-0.89）测试队列中均取得了相似的性能。

• 模型可解释性分析（图1C）突出显示了与房颤风险相关的特定心电图特征。

---

AI-ECG 预测房颤风险的性能曲线

研究结论

该研究成功开发了一种 AI-ECG 算法，能够有效预测儿科和 CHD 人群未来心房心律失常的发生。这一工具为高危人群的早期识别和干预提供了新的途径，有望改善患者预后。

可穿戴设备在成人心律失常检测中已广泛应用，但在儿童群体中的有效性数据相对缺乏。儿科 Apple Watch 研究（PAWS）填补了这一空白。

研究背景

心悸在儿童中很常见，在症状发作时获取心电图是识别真正心律失常的关键。尽管关于可穿戴技术在成人心律失常检测中的应用数据很多，但在儿童中的有效性数据仍然稀缺。

研究方法

PAWS 研究（NCT06053372）是一项前瞻性研究，旨在比较 Apple Watch（WATCH）与传统动态心电图（PATCH）在儿童中捕获心律失常事件的诊断效用。纳入标准为 6-18 岁因心悸进行门诊检查并临床开具 Patch 监测的儿童。参与者在放置 PATCH 的同时获得 Apple Watch（版本 5 或更高）和 iPhone，或注册其个人手表。所有用户在症状发作时主动发起的心电图记录都会自动传输到儿科专用数字应用程序和研究数据库，为期 6 个月。电生理学家对 WATCH 心电图、设备生成的诊断和描记质量进行审查。心律失常事件与相应的标准 PATCH 记录进行比较。

研究结果

• 研究共纳入 108 名参与者（平均年龄 13.7 ± 3.1 岁；62% 女性；10% 患有先天性心脏病），收集了 4,416 份心电图描记。

• 描记类型包括：窦性心律或心动过速（3,283 份，74%）、心房心动过速（228 份，5%）、房颤（139 份，3%）、室上性心动过速（SVT）（110 份，3%）、室性心动过速（VT）（42 份，1%）或其他（614 份，14%，主要为房性早搏/室性早搏或不确定）。

• 在心动过速性心律失常期间，79% 的描记质量被评为“优秀”或“良好”，适合电生理学解释。

• WATCH 自动算法正确识别了 139 份房颤心电图中的 102 份（73%），并将 110 份 SVT 心电图中的 82 份识别为“高心率”（75%）。

• WATCH 自动诊断的诊断效能：房颤 – 敏感性 73%，特异性 98%，阳性预测值 52%，阴性预测值 99%；窦性心律 – 敏感性 84%，特异性 42%，阳性预测值 77%，阴性预测值 53%。

• 与标准 PATCH 监测相比，WATCH 在更多患者中捕获了心律失常事件（20/108 PATCH (19%) vs. 46/108 WATCH (43%)，P < 0.001）。

研究结论

在心悸儿童中，Apple Watch 能够捕获多种心律失常，且描记质量适合电生理学解释。与标准 PATCH 监测相比，WATCH 更频繁地识别出有真正心律失常事件的患者。这为儿科医生提供了新的诊断工具，并有望提高儿童心律失常的早期发现率。

植入式心脏监测器（ICM）能够长期监测心律，结合 AI 技术，其在室性早搏（PVC）风险分层方面展现出独特优势。HRS 2026 的两项研究对此进行了深入探讨。

研究背景

植入式心脏监测器（ICM）能够持续监测室性早搏（PVC）负荷，并存储每日心电图，同时检测室性心动过速和心室颤动（VT/VF）。通过表征患者不同 PVC 形态的发生情况，可以指导 PVC 的适当治疗。本研究旨在调查不同 PVC 形态数量与 VT/VF 风险之间的关联。

研究方法

研究纳入了植入 ICM 且 PVC 检测功能开启并随访 ≥90 天的患者。使用 PVC 特异性预训练 AI 模型检测所有 ICM 存储的心电图中的 PVC 波形，然后通过新型基于机器学习的 PVC 形态分类算法进行评估。通过里程碑分析，根据植入后前 30 天内识别出的不同 PVC 形态数量（0、1、2 和 ≥3 种）对患者进行分组。使用 Kaplan-Meier 分析估算各组在剩余随访期内的 VT/VF 发生率，并使用 Cox 比例风险模型进行比较。

研究结果

• 共纳入 6,991 名患者（50% 男性，平均年龄 67 岁）。

• 植入后第一个月内不同 PVC 形态的数量可以预测 VT/VF 事件，即使在调整了年龄、性别、植入后前 30 天的最大每日 PVC 负荷以及 ICM 监测原因后，这种预测能力依然存在。

• 与无 PVC 形态的患者相比，所有三种 PVC 形态组的 VT/VF 发生率均更高：

• ≥3 种形态：调整后 HR: 7.4 (95% CI: 4.4-12.5, P<0.001)。

• 2 种形态：调整后 HR: 4.7 (95% CI: 2.8-7.9, P<0.001)。

• 1 种形态：调整后 HR: 2.9 (95% CI: 1.8-4.6, P<0.001)。

• 90 天回顾期内，最大每日 PVC 负荷 ≥10% 且 ≥3 种不同 PVC 形态的患者（发生率 1%），在未来 30 天内发生 VT/VF 的风险比参考组（0% 负荷且无形态）高 24 倍（调整后 IRR: 24.4, 95% CI: 11.5-51.9, P<0.001）。

---

不同 PVC 形态数量与 VT/VF 风险关联

研究结论

使用新型机器学习算法对 ICM 中的 PVC 形态进行分类是可行的。在 ICM 监测的患者中，ICM 检测到的不同 PVC 形态数量越多，与随后 VT/VF 事件风险的增加密切相关。当 PVC 负荷超过 10% 且识别出 ≥3 种不同 PVC 形态时，风险最高。这些发现为临床医生提供了更精细的 VT/VF 风险评估工具，有助于指导高危患者的早期干预和治疗策略。

HRS 2026 大会清晰地描绘了 AI 和可穿戴设备在心律失常管理领域的广阔前景。从 AI-ECG 的房颤风险预测，到 Apple Watch 在儿科的创新应用，再到 ICM 对 PVC 风险的精准分层，这些智能科技正逐步改变心律失常的诊断、监测和管理模式。它们不仅提高了疾病的早期发现率和诊断准确性，也为患者提供了更便捷、个性化的管理方案。

未来，随着技术的不断成熟和临床应用的深入，AI 和可穿戴设备将成为心律失常管理不可或缺的一部分，共同推动电生理领域迈向一个更加智能、高效和精准的新时代。

本文内容为《门诊》杂志原创内容

转载须经授权并请注明出处。

Clinic門诊新视野｜微信号：ClinicMZ

《门诊》杂志官方微信

长按，识别二维码，加关注