最新研究 | 用智能手表技术及时检测心脏骤停，或可解决循环骤停、室性心律失常等问题

心源性猝死占所有心血管疾病致死总数的近50%，通常由心脏骤停引起。《柳叶刀-数字医疗》（The Lancet Digital Health）近期发表一项研究，研究人员开发了一种算法，通过智能手表的光电容积描记和加速度数据检测心脏骤停。相关评论指出，对于有较高心脏骤停风险但无需植入除颤器的患者，这项技术可与智能手表结合满足患者更早期的需求。此外，该算法能够检测无脉性电活动，而电流除颤器无法检测这些电活动，这可能是未被注意到的心脏骤停中最常见的节律。识别文中二维码或点击文末阅读原文，查阅原文。

用智能手表技术及时检测心脏骤停

心源性猝死（Sudden cardiac death）占所有心血管疾病致死总数的近50%，通常由心脏骤停引起[1]。美国院外心脏骤停的出院生存率仅为9.1%[1]。因为除颤每延迟1分钟，生存率就下降近18%[2]，所以对心脏骤停的早期探查和救治可能意味着生死之别。然而，适合日常生活，并能提供准确、可行性信息的监测技术是一种尚未得到满足的关键临床需求。

《柳叶刀-数字医疗》（The Lancet Digital Health）近期发表一项研究，Roos Edgar及其同事[3]开发了一种算法，通过智能手表的光电容积描记和加速度数据检测心脏骤停。这一算法性能非常好，在前瞻性验证队列中灵敏度达98%，特异度达99.9%。这项研究有高度的创新性。首先，虽然很多文献研究了智能手表数据对房性心律失常的检测[4,5]，但尚没有严格的研究用智能手表数据监测过心脏骤停。其次，本研究作者收集在心血管手术（如经导管主动脉瓣介入治疗、除颤器植入和室性心动过速消融）诱导循环骤停期间穿戴智能手表的病人数据，为算法的开发和评估提供了可控环境。因为心源性猝死可能是高达50%心血管疾病患者的第一指征，所以使用这些数据是解决可用监测数据稀缺的创新性方案。第三，作者确定的基于低外周系统血流量状态的算法是简洁且具有决定作用的。因此，该算法广泛地解决了循环骤停、室性心律失常和无脉性电活动的问题，而且该算法具有透明性，这是大多人工智能模型不能满足的。

将本研究的技术整合到实践中，可解决心脏骤停未满足的需求。对于有较高心脏骤停风险但无需植入除颤器的患者，这项技术可与智能手表结合满足患者更早期的需求。此外，该算法能够检测无脉性电活动（pulseless electrical activity），而电流除颤器无法检测这些电活动，这可能是未被注意到的心脏骤停中最常见的节律[6]。作者与当地公民救援网络建立了合作关系，这鼓励了接下来的工作，即端到端响应系统的实施，这将在DETECT项目的后续阶段进行研究。该系统有效性的证明可能为先前已经报道的、促进早期响应的其他检测技术的使用打开新世界的大门，如用智能扬声器或跌倒检测监控摄像头进行的非接触濒死呼吸检测[7]。使用更大的数据集和多模式传感器进行算法优化可以提高检测性能，甚至可以对心脏骤停进行上游预测[8]。

与任何创新性研究一样，未来的研究可以从几个方面开展。本研究的患者评估在可控环境中进行，研究人员协助其使用智能手表。由于装置、肤色、疾病表型和体位的变化，院外心脏骤停存在更大的信号差异。训练集中，心脏骤停事件的发生率高于真实世界，真实世界中这些事件少得多，而假阳性警报率为0.09（每100小时9次警报）或每天2.16次警报（即使在可控环境中），这可能成为佩戴者或响应网络的负担。因此需仔细校准，以最大限度降低过高的假阳性风险，以及心理压力或不当的响应活动可能对生活质量产生的潜在影响。最后，应谨慎寻找响应网络的最佳合作点，考虑所有利益相关方。这些不足并不会降低研究带来的兴奋，也为研究者的未来工作指明了道路。

据我们所知，这是第一项系统分析用智能手表数据检测心脏骤停的研究，该研究为用于心脏骤停的可穿戴技术的发展奠定了初步但坚实的基础。我们热切期待作者的后续工作，移除剩余障碍，改善心脏骤停生存链。END

Sulaiman Somani, Albert J Rogers

AJR declares research support from National Institutes of Health (K23 HL166977) and the American Heart Association. SS declares no competing interests.

参考文献（上下滑动查看）

1.Tsao CW Aday AW Almarzooq ZI et al.

Heart disease and stroke statistics-2023 update: a report from the American Heart Association.

Circulation. 2023; 147: e93-621

2.Drennan IR Lin S Thorpe KE Morrison LJ

The effect of time to defibrillation and targeted temperature management on functional survival after out-of-hospital cardiac arrest.

Resuscitation. 2014; 85: 1623-1628

3.Edgar R Scholte NTB Ebrahimkheil K et al.

Automated cardiac arrest detection using a photoplethysmography wristband: algorithm development and validation in patients with induced circulatory arrest in the DETECT-1 study.

Lancet Digit Health. 2024; 6: e201-e210

4.Strik M Ploux S Weigel D et al.

The use of smartwatch electrocardiogram beyond arrhythmia detection.

Trends Cardiovasc Med. 2023; (published online Jan 2.)

https://doi.org/10.1016/j.tcm.2022.12.006

5.Perez MV Mahaffey KW Hedlin H et al.

Large-scale assessment of a smartwatch to identify atrial fibrillation.

N Engl J Med. 2019; 381: 1909-1917

6.Tseng ZH Olgin JE Vittinghoff E et al.

Prospective countywide surveillance and autopsy characterization of sudden cardiac death: POST SCD study.

Circulation. 2018; 137: 2689-2700

7.Somani SS Narayan SM Rogers AJ

Artificial intelligence in cardiac electrophysiology.

in: Krittanawong C Artificial intelligence in clinical practice. Elsevier, San Diego, CA2024: 475-496

8.Lee H Yang H-L Ryu HG et al.

Real-time machine learning model to predict in-hospital cardiac arrest using heart rate variability in ICU.

NPJ Digit Med. 2023; 6: 1-10

中文翻译仅供参考，所有内容以英文原文为准。

推荐阅读

点击阅读原文，查看论文原文