首页 > 论文范文 > 医药卫生论文 > 内科论文 > 心血管内科论文 > 心电图临床应用进展及展望

心电图临床应用进展及展望

2023-06-27 209 上传者：管理员

摘要：心电图应用于临床已有120年历史，至今仍是临床最重要的常规检查之一。远程心电、便携心电和云心电平台的加速普及给心电插上了翅膀，把心电技术从医院推向社会、家庭乃至每一个人。体表三维电解剖标测的问世使抽象的心电图形得以可视化呈现，能清楚揭示心律失常的起源和心电信号的传导过程，相当于为心电图做了“病理解剖”般的金标准验证诊断。人工智能心电通过深度学习更能挖掘出既往心电所不能解读的领域，大大拓展了心电的内涵。本文简要回顾了120年来心电图技术从远程心电、三维心电、便携心电直到人工智能心电的发展历程，并展望了未来心电图技术的发展趋势。

关键词：
三维电解剖标测
人工智能
心电图
远程心电
加入收藏

自1887年沃勒(Waller)首次描记出人体表心电图、1903年艾因特霍芬(Einthoven)最早报告其应用于临床后的120年里，心电图技术已广泛应用于临床各科室，成为继血、尿、便检查之后的第四大常规检查项目。艾因特霍芬对弦线式心电图机进行了改进并将其应用于临床，同时他命名了P波、QRS波和T波，发明了双极肢体导联，1924年荣获诺贝尔生理学或医学奖。这也成为心电学的高光时刻。近年来，心电学领域的迅猛进展令人目不暇接，百年来长盛不衰的技术绽放出烁烁芳华。

1、远程心电给心电学发展插上翅膀

早在1928年，我国就引进了Cambridge公司生产的两台心电图机。那时的心电图机体积庞大，为避免产生干扰波，只能固定在机房，连接四肢的四条导联线(当年只有标准双极肢体导联Ⅰ、Ⅱ、Ⅲ)穿过墙壁留置在需要做心电图的病室内。对患者进行心电图检查时，操作者先连接好患者四肢的导联，再回到机房内操纵心电图机描记心电图。这其实是有线远程描记的雏形，直到今天，脑电波监测、睡眠监测仍在沿用这种操作模式。此后随着电子技术的不断发展与相关设备的升级换代，尤其是电子管及后来晶体管的应用使心电图机的体积越来越小，可以推到患者的床旁描记心电图。这就是至今广泛使用的床旁心电监测。

1988年，通过有线电话传输的远程心电图首次突破了心电检查过程中距离的限制，但由于技术本身的缺陷，电话传输(包括手机GPRS传输)心电图的方法仅仅是昙花一现，并未广泛应用于临床。随着无线技术的发展，在一定距离内远程监测多位患者的心电图成为可能。随着蓝牙技术的成熟以及4G、5G和Wifi的高效实时传输，加上存储介质的迅猛进展，远程心电技术才真正广泛应用于临床各种场景，便利连接各级各类医疗机构、医联体、养老机构、家庭病床等。

远程心电监测对于心律失常等疾病的诊治具有较高的临床价值，彻底改变了既往的心电检查流程，使诊疗效率明显提升，也弥补了传统心电图机难以捕捉一过性异常心电信号、动态心电图监测时间较短等缺憾，在心血管疾病的早期诊断、预警、监测和治疗等方面具有较高的应用价值。此外，心电远程监测技术还能对多位患者进行集中监控和管理，应用简便，设备易于携带，患者自由度较高，对长程监护的接受度和依从性较好，因此迅速得到推广。尤其是在急性冠脉综合征的心电监护、心律失常的诊断和治疗监测、不明原因晕厥的寻因、无症状性心房颤动(简称房颤)的筛查、心脏电子植入设备的监测、介入治疗的监护和管理、睡眠呼吸暂停综合征的初筛等领域，远程心电监测技术正显现出越来越多的优势。

在新型冠状病毒感染(简称新冠感染)全球大暴发期间，远程心电监测更是发挥了无与伦比的作用。利用无线采集、无线传输技术，可使心电图的采集和诊断实现分离操作——由防控区医护人员完成数据采集后，通过网络实现远程诊断，能够降低人员流动性、减少人员接触，有效防范院内交叉感染。2021年美国心律学会、欧洲心律学会、亚太心律学会、拉丁美洲心律学会、美国心脏病学会、美国心脏协会在《欧洲心脏起搏杂志》(Europace)联合发表了《疫情时代远程医疗及心律失常监测更新》,指出美国纽约和中国武汉的新冠感染患者心律失常院内患病率分别为7.9%和16.7%,ICU的重症新冠感染患者心律失常患病率更是高达44%,其中6%的患者出现恶性心律失常(如室性心动过速和心室颤动)[1]。

多导联远程心电监测也在心律失常之外的领域得到越来越多的应用。远程心电监测能帮助医生在胸痛患者送达医院之前就掌握其心电图状况，并据此判定患者是否需要进行溶栓治疗或冠状动脉介入治疗。意大利一项研究显示，远程心电监测可显著提高ST段抬高型心肌梗死患者的再灌注治疗效率[2]。

2、三维心电让心电图形直观展示

心电图基于时间轴和电压轴这两个维度，辅以不同的导联，得以从不同视角观察心电变化。心电学一直是比较抽象的临床课程，要想读懂、用好心电图，即便对于心血管内科医生也绝非易事。

百年来，研究者一直致力于研发三维立体心电图，曾尝试开发出了正交心电图、心电向量图、立体心电图等，但仅用于有限的研究与探索，均未能深入应用于临床。随着心腔内三维电解剖标测系统的不断成熟，其被广泛应用于心内电生理检查和导管消融，人们对体表三维心电图的兴趣重新被激发，并很快研发出了体表三维电解剖标测技术，目前已在临床得到初步应用。

体表三维电解剖标测借鉴了心腔内三维标测系统和既往体表等电位图标测原理，应用具有若干个电极的可透X线背心，从心脏的上、下、前、后、左、右全方位实时记录心电信号，在CT三维结构重建的基础上，合成三维电解剖标测系统，以直观显示心电的起源、动态传导径路和电位变化。该技术的原理类似于全球定位系统，易于掌握使用且兼容性强，已成为一个直观展示心电图的立体平台。它不仅可用于诊断心律失常，而且还可用来指导导管消融。体表三维电解剖标测的准确可视化、影像化建模快速标测方法以及优化的工作流程，进一步提升了心律失常的诊治效率，具有广阔的应用前景。

3、便携心电使心电技术扎根百姓

随着电子技术日新月异的发展，心电检测仪逐渐向便携式、可穿戴化方向发展。可穿戴心电监测设备具有轻便、小巧、易佩戴等优点，已广泛应用在发热门诊、隔离病区和ICU病房。患者能自主完成可穿戴心电设备的操作，并将采集的心电数据通过手机或网络传输至云端，由医生进行远程诊断，因此，该设备已越来越多地应用于以患者为中心的心电捕捉与监测场景。这样既能实现心律失常的远程检查，又能进行长时程远程心电监测及动态心电分析，尤其是对服用了可能延长QT间期药物的患者，可实施QT间期远程监测，有助于防止恶性心律失常甚至猝死等并发症的发生。通过便携式心电监测仪，不仅可描记实时心电图，还可了解心率变异性、初筛睡眠呼吸暂停综合征患者等。

此外，应用植入式心电仪进行更长时间(可达3年)的监测，还能大大提升晕厥病因的诊断率以及隐源性脑卒中房颤的检出率。这是由于普通心电图及动态心电图的记录时间有限，对房颤(尤其是阵发性房颤)的诊断敏感性较低。24 h动态心电图对无症状性房颤的检测敏感性为44%～66%,而植入式心脏事件记录仪的检测敏感性高达91%[3]。美国心脏协会和美国卒中协会(AHA/ASA)联合发布的脑卒中和短暂性脑缺血发作二级预防指南[4]以及我国相关指南[5]均推荐对原因不明的隐源性脑卒中患者延长心电监测时间，以确定有无抗凝指征(Ⅱa类推荐，证据级别C)。

4、人工智能引领心电新潮流

心电图机的自动诊断是医疗领域应用人工智能的最早尝试。基于大数据的心电数据库，利用复杂算法可对心电图进行快速自动诊断和分析。此后，随着人工智能技术，尤其是基于神经网络的深度学习方法的迅猛发展，研究者对人工智能在心电领域的应用也开展了深入探索。人工智能心电图的深度学习，采用的是一种能仅从原始数据中提取信息并学习的模式。与传统心电图相比，人工智能心电技术在信号输入、特征提取和分类、通道数和抗干扰能力等方面都有了极大的提升，并且在深度学习的赋能下仍在不断完善和升级。

ATTIA等[6]采集了44 959例患者的12导联心电图和超声心动图来训练卷积神经网络，然后运用这种深度学习方法从心电图中识别出左心室收缩功能受损的患者(射血分数<35%),最后再用52 870例患者的数据对该方法进行测试。结果显示，根据心电图诊断心脏机械功能障碍的受试者工作特征曲线下面积(area under curve, AUC)为0.93,优于血液检测B型钠尿肽(AUC值为0.79～0.89)。嗣后应用深度学习方法，根据患者首个正常窦性心律的心电图预测阵发性房颤。人工智能可辅助CHA2DS2-VASc评分指导隐源性脑卒中患者的抗凝治疗。

KWON等[7]通过应用卷积神经网络，对原始12导联心电图信号、心电图数字特征(心率、QT间期、QRS波持续时间、QTc等)进行分析，筛选重度主动脉狭窄患者，在10 865例患者中进行验证并取得了良好结果，AUC值为0.884。随后，KWON等[8]又对有明显二尖瓣反流的患者重复了上述研究方法，选取24 202例患者的56 670份心电图进行训练，外部验证则测试了另一家医院的10 865份心电图；结果表明，该模型具有较高的敏感性和阴性预测值，但特异性和阳性预测值均较低，提示该模型可作为排除二尖瓣反流诊断的筛查工具。

SABOV等[9]研究表明，改良的卷积神经网络模型通过深度学习训练，可依据体表心电图预测患者是否存在肺动脉高压、肥厚型心肌病、心脏淀粉样变和二尖瓣脱垂，结果令人满意；检测肥厚型心肌病时的AUC值更是高达0.91～0.96,提示人工智能心电图可以作为上述疾病的筛查工具。

在解读心电图并据此进行疾病诊断的过程中，深度学习模型体现出了较为明显的优势，极具发展前景。全自动、准确、无偏见、无歧义的人工智能心电图分析在未来不再是不可想象的。

5、展望

心电图作为一种廉价且广泛使用的检测手段，有望用于无症状左心室功能障碍、房颤或其他疾病的识别，至少可以作为筛查手段实现对相关疾病的早诊断、早治疗。尽管目前在数据访问和模型共享方面仍存在困难，加之受限于原有信息基础设施的灵活性不足，但相信随着人工智能心电图模型的不断完善、普及和标准化，深度学习模型一定能在优化心脏疾病的诊断和管理中发挥更大作用。

参考文献：

[1]中华医学会神经病学分会,中华医学会神经病学分会脑血管病学组,中国缺血性卒中和短暂性脑缺血发作二级预防指南2022[J].中华神经科杂志,2022,55(10):1071-10.

文章来源：张海澄.百年心电绽芳华：心电图临床应用进展及展望[J].实用心电学杂志,2023,32(03):162-165.