生醫人工智慧 · us
一夜睡眠裡的心臟線索:AI從檢查心電圖辨識長期風險
睡眠檢查留下的心電訊號,可能多開一扇心血管篩檢窗口。研究在兩組外部資料中驗證了心房顫動、心衰竭與死亡風險的預測能力,但能否改善實際照護,還需要前瞻性研究回答。
為了找出睡眠問題而做的一夜檢查,也可能留下未來心臟健康的線索。一項刊於《SLEEP》的研究,利用深度學習分析睡眠期間的心電圖,辨識哪些患者日後較可能發生心房顫動、心衰竭,或因任何原因死亡,讓原本已經收集的訊號有了新的用途。
這項研究獲美國國家衛生研究院旗下國家心肺血液研究所支持。根據NIH於10月9日發布、並由Medical Xpress刊載的說明,研究使用多項生理睡眠檢查中的單導程心電圖,搭配專家標註的睡眠階段資料,探索未來十年的健康風險。
研究團隊先以麻省總醫院15,809名患者的資料微調模型,再到另外兩家醫院的資料中檢驗表現:埃默里大學醫院9,810人,以及貝斯以色列女執事醫療中心12,576人,外部驗證合計22,386人。後續疾病與死亡結果則取自電子健康紀錄;這樣的設計可檢查模型是否能在開發資料以外維持預測能力。
模型分數較高的患者,長期風險也較高。研究在調整年齡、性別、身體質量指數、糖尿病與高血壓後,仍看到預測價值;即使進一步納入睡眠呼吸中止嚴重程度、睡眠中的覺醒情形與睡眠效率,這項訊號依然存在。這表示模型提供的資訊,未必只是既有危險因子的另一種呈現。
不過,各種結果的預測表現並不一致。目前支持的用途集中在心房顫動、心衰竭與全因死亡;研究者指出,心肌梗塞與中風的預測還需要進一步優化。全因死亡也涵蓋心血管疾病以外的死因,不能直接解讀為心臟病死亡風險。
這項方法的實際吸引力,在於利用睡眠檢查原本就會記錄的單導程心電訊號。若後續驗證成功,睡眠檢查可能同時協助辨識需要進一步心血管評估的人。但本次模型也使用了專家標註的睡眠階段資料,不能據此推定一般穿戴裝置或居家心電貼片已具有相同能力。
從資料中的風險分層走到臨床篩檢,還有一段距離。外部驗證增加了結果的可信度,卻尚未證明醫師依照模型分數安排檢查或介入,就能改善患者結局。下一步需要前瞻性研究釐清:增加這項資訊,是否能帶來足以改變照護決策的效益,以及額外檢查的代價。