抗凝治疗是否需要启动,取决于血栓栓塞风险、出血风险、瓣膜情况、肾功能、年龄和合并疾病等综合评估。2024 年欧洲心脏病学会指南总结建议使用经过验证的风险工具评估血栓栓塞风险;在适合抗凝的患者中,直接口服抗凝药通常优先于维生素 K 拮抗剂,但机械心脏瓣膜和二尖瓣狭窄等情况需要遵循不同的治疗路径。指南还强调,抗凝决策应依据个人血栓风险,而不能因为某一次就诊时已经恢复窦性心律,就自行停药。5
传统心电图由医生观察 P 波、QRS 波群、RR 间期等信号。机器学习模型可以从大量心电图中学习波形组合,在当前没有明显房颤的窦性心律心电图里,寻找与既往或未来房颤风险有关的细微模式。相关综述提到,一项基于大量心电图训练的深度学习研究使用了 180,922 名患者和 649,931 份窦性心律心电图,报告的敏感性约为 79.0%,特异性约为 79.5%。这类结果说明 AI 有筛查和风险分层潜力,不等于它已经能凭一张心电图确定一个人一定会发生房颤。7
2. 可穿戴设备把监测从医院延伸到日常生活
Apple Heart Study 纳入超过 40 万名参与者,通过 Apple Watch 的脉搏传感器寻找不规则脉搏提示。研究中,0.52% 的参与者收到不规则脉搏通知;在随后接受心电贴片监测且获得相关结果的人群中,34% 被发现有房颤。对同时记录的手表提示和心电贴片结果进行比较时,算法的阳性预测值为 84%。8
AI 的价值不只在于把一段波形标成「疑似房颤」。更有意义的方向包括:从连续监测中估计房颤负荷,帮助医生决定谁需要更长时间的监测;把心电图、超声、病历和实验室数据结合起来,辅助风险分层;在治疗后追踪复发,并支持真实世界随访。真正的临床价值还要经过前瞻性验证,证明模型在不同年龄、性别、种族、设备和医疗系统中都可靠,并且能够改善患者结局,而不是只在测试集上取得漂亮的准确率。