心房纖顫（AF）是最常見的快速性心律失常，早期診斷及有效管理是降低其不良事件的關鍵。光電容積脈搏波（PPG）常輔助可穿戴設備進行持續的心電監測，顯示出其獨特的價值。PPG技術的發展為AF管理提供了新的方案。一系列旨在用移動健康技術提高AF篩查及優化整合管理的研究，已經對PPG在AF患者的篩查、診斷、早期預警、整合管理等方面的應用進行了探索。本文總結了近年搭載PPG技術的人工智能及移動醫療在AF領域應用的最新進展，以及當前研究的局限性和未來研究的關注重點。
引用本文： 邰美慧, 金至賡, 王浩, 郭豫濤. 光電容積脈搏波在心房纖顫預警、診斷及整合管理中的應用. 生物醫學工程學雜志, 2023, 40(6): 1102-1107. doi: 10.7507/1001-5515.202206005 復制
版權信息： ?四川大學華西醫院華西期刊社《生物醫學工程學雜志》版權所有，未經授權不得轉載、改編
0 引言
心房纖顫（atrial fibrillation，AF）是臨床中最常見的快速性心律失常。截止到2017年，全球AF的患者約為376 0萬人；到2050年，AF患病率預計增長將超過60%[1]。目前，我國的AF患者已經達到487萬人，未來AF所帶來的社會負擔會越來越重。AF會增加腦卒中、心力衰竭和死亡的風險，全球疾病負擔數據庫顯示，近10年AF導致的傷殘調整生命年（患者因AF死亡或致殘所損失的全部健康壽命年），增加了77%[1]。近十年，中國AF相關腦卒中患者增加了13倍[2]。AF具有陣發性和隱匿性，約1/3 的AF患者發作時無任何臨床表現，稱為無癥狀性AF。無癥狀AF與有癥狀AF患者發生死亡、腦卒中/血栓的風險相當[3]。10%~40%的AF患者無癥狀，直至發生腦卒中、心力衰竭等嚴重不良事件后才首次就診，這些均增加了社會健康醫療成本[4]。因此，對AF進行早期診斷和對AF相關危險因素進行早期干預才能有效降低AF患者的發病率、相關不良事件發生率和死亡率。
隨著可穿戴設備的應用普及，基于人工智能（artificial intelligence，AI）技術輔助的心臟電生理信號采集分析，如心電圖（electrocardiogram，ECG）和光電容積脈搏波（photoplehysmography，PPG）技術，已經成為研究的熱點。ECG信號因能直接反映心臟電生理過程，已成為心內科醫生診斷AF的金標準。但，采集ECG數據需在體表貼附電極片、要求患者須主動參與且舒適性較差；普通ECG數據也只能反映AF患者的單次檢測結果，不支持針對AF患者進行長程持續監測。而，PPG可以通過光電技術檢測來連續反映由心臟活動引起的外周血管中血容量變化的信號，其測量方法具有便攜性和舒適性等優點。目前， PPG技術已被廣泛應用于可穿戴設備進行生理信號的連續監測，從而實現了對AF的診斷和預測[5-7]；此外，PPG還可以與移動醫療相結合，實現AF患者的遠程管理。
AI 是計算機科學的一個分支，主要指機器和計算機系統模仿人類智力，以期實現像人類一樣解決復雜問題的技術。目前，機器學習（machine learning，ML）是較廣泛應用于心律失常智能診斷領域的AI技術。ML常見的類型包括有監督式ML和無監督式ML兩種。有監督式ML指利用圖像本身的特征和人工手動輸入的標簽對圖片進行處理和學習，從而達到預測標簽的目的，該類型多用于AF的診斷和預測；無監督式ML指僅輸入有特征的圖片，但并不指定標簽，從而達到尋找隱藏結構的目的，主要應用于數據的分類管理。深度學習（deep learning，DL）是ML的一種特殊形式，其特點是構建類似人腦的神經網絡[8]。這種模式的主要優點是可以靈活地理解復雜的數據，但其局限性主要在于需要大量的數據集提供訓練和學習。在現有各種神經網絡中，主要用于AF領域的是循環神經網絡（recurrent neural network，RNN）和卷積神經網絡（convolution neural networks，CNN）。 RNN常被用于建立預測模型，而CNN則常用于AI輔助的ECG波形分析[8-10]。
本文主要綜述了在可穿戴設備的應用背景下，移動醫療及AI輔助的PGG技術在AF檢測、篩查、整合管理等方面的應用現狀進展。
1 基于PPG技術的可穿戴設備在AF檢測中的應用
可穿戴設備包括手持式終端、手環/表、胸帶、ECG貼、ECG背心等[11]。可穿戴設備可以通過ECG數據及PPG數據分析心臟電生理信號繼而進行AF的診斷。近年來，使用PPG技術輔助的可穿戴設備進行AF診斷的研究結果顯示，PPG數據與ECG數據之間存在高度相關性，可應用于AF的診斷。已有研究結果顯示，當采集時間為10 s時，可穿戴設備單次檢出AF的敏感性和陰性預測值分別為1.5%和66%，而在14 d內每天進行兩次30 s心臟電生理信號采集，可穿戴設備檢出AF的敏感性和陰性預測值增加到8.3%和67%[12]。這說明需要長程連續的心臟電生理信號采集才能提高AF的檢出率。
本課題組設置的移動技術改善AF篩查及整合管理系列研究項目平臺在全球范圍內率先證明了PPG技術輔助可穿戴設備對AF進行檢測和連續監測的可行性。基于該項目平臺創建的移動AF應用程序（the mobile AF apps，mAFA）階段Ⅱ（mAFA Ⅱ）的前期研究證實，搭載PPG技術的智能手環單次檢測AF的敏感性、特異性、陽性預測率、陰性預測率及準確率均超過94%[13]。繼而，mAFA Ⅱ研究針對現實社區中的AF風險人群進行了AF檢測，共招募了200例用戶持續佩戴華為PPG手環/手表，經過14 d的持續監測后結果顯示，本次研究中使用的可穿戴設備識別AF的準確率超過91%[14]。上述研究不僅證明了使用PPG技術支持下的可穿戴設備識別AF的可靠性，還發現AF檢出時間與AF負荷有關，當AF負荷小于50%時，需要平均4 d的主動測量或者2 d的周期測量才能確診AF[14]。因此，AF負荷較輕的患者需要更長時間、更頻繁的監測數據作為支撐，才能確診AF。
2 基于PPG技術的可穿戴設備在AF篩查中的應用
2005年Hobbs等[15]在英國開展的隨機對照試驗開啟了針對社區人群的AF篩查。該研究發現，與脈搏檢查相比，使用篩查設備組的老年人群中AF的檢出率更高。而后，在全美開展的多中心隨機對照研究和英國開展的單中心隨機對照研究中[16]，開始使用手持式或單導聯ECG等可穿戴設備在老年或其它高危人群中進行AF篩查。上述研究發現，與未使用篩查設備的受試者相比，使用篩查設備的受試者的AF檢出率顯著升高。然而，在檢出的AF人群中并未觀察到AF相關不良事件的發生率進一步降低。
PPG技術通過持續監測脈搏頻率變化來識別陣發性AF或無癥狀AF。目前，已經有多個相關研究采用不同的感知設備及應用軟件（application，APP）對AF進行篩查。2017年蘋果公司發起心臟健康研究項目，在40萬例受試者中，不規則脈搏的檢出率為0.52%。隨后，在這些檢測到的不規則脈搏中，84%的受試者在完成ECG檢查后被確診為AF，蘋果的心臟健康研究項目結果揭示了搭載PPG技術的可穿戴設備通過不規則脈搏檢測AF的可行性[5]。mAFA II 篩查研究項目應用華為PPG手環/手表對18萬例受試者進行AF篩查，PPG手環/手表對AF的檢出率為87%，陽性預測值為91.6%。此外，mAFA II研究還發現，腕表、腕帶佩戴的舒適性、信號質量、監測周期、監測方式與AF的檢出率相關。周期測量較單次主動測量能更有效地篩查出AF；另外，持續2周以上的監測更有利于AF檢出[17]。上述研究，為長期監測正常人群以防范AF的發生提供了簡易可行的方法。隨后，mAFA II研究項目中，1年以上長期隨訪隊列顯示，搭載PPG技術的可穿戴設備長期篩查項目中具有良好的穩定性和準確性[18]。
可穿戴設備—樂活（Fitbit）研發公司的心臟研究項目發現，可穿戴設備Fitbit的新型PPG軟件算法可能有助于早期檢測出未確診的AF，但研究也發現該算法對受試者佩戴時的姿勢要求較高，僅在受試者夜間佩戴不進行活動保持靜止時，有較高的陽性預測值；而篩查受試者日常活動期間發生AF風險的有效性仍需進一步改進[19]。此外，冠狀動脈疾病/慢性阻塞性肺病、高血壓、衰老、收縮性心力衰竭、甲狀腺疾病（coronary artery disease/chronic obstructive pulmonary disease；hypertension；elderly；systolic heart failure；thyroid disease，C2HEST）評分量表是在中國人群中建立的AF風險臨床評分工具，已有多個隊列研究證實其預測AF的準確性[20-23]，而將可穿戴設備與C2HEST評分結合后可以進一步提高靶向人群AF的檢出率，進而實現早期干預AF的策略。
上述可穿戴設備的普及，展現了以消費者為主導的AF篩查的廣闊前景。mAFA II擴展隊列研究的4年隨訪結果顯示，華為PPG手環/手表在大規模中國人群中AF檢出率為0.4%， AF診斷準確率超過90%，且AF檢出率逐年增加[24]。并且這一系列研究提供了支持搭載PPG技術的可穿戴設備對AF進行長期監測和管理的證據，補充了中國AF臨床流行病學變化趨勢資料，同時該研究也觀察到AF發生的危險因素未能得到有效管理，包括：夜間睡眠呼吸暫停（obstructive sleep apnea，OSA）、肥胖、高血壓、體力活動不足等，亟需改善健康管理模式。
3 AI輔助的PPG技術在AF預測中的應用
AI目前多應用在ECG信號的自動診斷領域。既往研究發現，基于12導聯ECG信號的DL模型對AF自動診斷的準確率較高[25]。基于單導聯ECG信號（如I導聯）的深度AI模型，其自動診斷AF的能力與基于12導聯ECG信號的診斷能力基本相同[26]。AI也可以應用于ECG數據分析，并預測AF的發生。Attia等[27]通過采集18.1萬例患者的標準12 導聯ECG數據，建立了具有較高的敏感性、特異性和準確率的預測AF發生的DL模型。隨后，華為公司發起的心臟研究項目結果證實了基于PPG數據建立的ML模型比基于12導聯ECG數據具有更好的AF預測效能[28]，該研究提示ML模型可以提前4 h預測AF發生[28]，這些技術的發展為AF的早期診斷和干預提供了契機。
4 PPG技術支持移動醫療在AF患者管理中的應用
4.1 PPG技術支持移動醫療在AF患者整合管理的應用
當前，臨床指南推薦的“腦卒中預防、更好的癥狀管理、心血管危險因素及合并疾病治療”（avoid stroke，better symptom management，cardiovascular risk and comorbidity management，ABC）整合管理路徑中更加強調AF患者的個體化管理。經證實，患者遵守ABC整合管理路徑后，可以降低不良預后；基于此，不少研究均探索了移動醫療在AF綜合管理的應用前景[29-32]。基于移動技術的AF管理平臺驗證了移動醫療應用于AF專病管理的可能性。mAFA階段I（mAFA I）研究在全球范圍內首次將移動醫療技術應用于AF管理。該研究發現，與對照組相比，mAFA使用組的患者在AF知識儲備、藥物依從性、抗凝滿意度及生命健康質量評分等方面均有顯著提高[33]。隨后，mAFA Ⅱ研究才開啟了AF患者的整合管理[34]。mAFA系統可提供：① 智能動態血栓、出血風險評估；肝腎功能自動監測；智能推薦抗凝藥物調整。② 聯動搭載PPG技術的智能手環/手表后，監測AF發作。③ 形式豐富的醫療科普教育，包括針對患者的醫療常識教育文章、在線直播及可回放的教育視頻、尋找AF誘因游戲、醫患互動等，以幫助患者認知疾病、輔助患者自我管理。④ ABC整合管理路徑。在此基礎上，mAFA II的中期研究結果和一年以上隨訪隊列證明了mAFA軟件可以改善患者依從性[18-19]。目前，mAFA階段III研究正在進行，該研究基于移動醫療為AF患者提供針對不同風險及治療方式的更加個性化的管理。
4.2 移動醫療可改善AF患者依從性、優化抗凝治療
移動醫療不僅可以評估患者的卒中風險，還可以促進患者的用藥依從性，增加患者管理依從性。研究顯示，移動醫療可為正在服用華法林的患者提供遠程抗凝指導，有效地遠程監測國際標準化比值（international normalized ratio，INR）變化，降低了患者出血事件的發生率[35]。當前隨著新型口服抗凝藥的廣泛應用，移動醫療也可以進一步提高患者口服抗凝藥物的依從性。一項來自我國的多中心研究發現，與對照組相比，佩戴具有服藥提醒功能的智能手表的AF患者，完成12個月隨訪后，每個月的口服抗凝藥天數大于80%的患者在全部患者中所占比例均超過90%，且隨訪期間均高于標準隨訪組[36]。此外，mAFA II研究中針對一年以上隨訪隊列的記錄，是全球首次評價AF患者使用移動醫療APP的依從性和持久性的研究，其結果證實了移動醫療支持下AF整合路徑管理的可靠性[19]。另一項隊列研究也證實，經華為智能手環篩查及醫療機構確診的AF患者進入mAFA管理平臺后80%腦卒中風險高危患者得到了有效的抗凝治療[18]。
mAFA 應用還可以提供智能動態的血栓及出血風險評估，幫助AF患者優化抗凝治療。研究結果顯示：與基線相比，完成12個月隨訪后，出血高危患者［即心房顫動抗凝治療出血風險評分系統（HAS-BLED）得分≥3分］的HAS-BLED出血評分顯著降低；且合并使用非甾體抗炎藥物、腎功能不全者，其INR等可糾正的出血風險因素顯著下降；與對照組相比，mAFA使用組口服抗凝藥物依從性明顯增加，而大出血事件顯著減少[37]。
4.3 PPG支持移動醫療可降低AF患者心血管不良事件發生率
mAFA II研究中期結果提示：相比于常規治療組，mAFA組AF患者一級復合終點事件（一級終點事件為腦卒中/血栓、再入院率及死亡復合終點事件）和再入院率均明顯降低；性別、年齡、AF類型、合并共病等亞組分析顯示：mAFA使用組的一級終點事件發生率明顯降低[38]。隨后，mAFA II長期隨訪研究證實，移動醫療支持的AF管理不僅可有效降低心血管不良事件，并隨著使用移動醫療時間延長，其降低不良事件的作用愈加明顯。可見，PPG技術支持移動醫療的AF整合管理路徑對降低心血管不良事件的發生、改善患者預后具有重要積極意義。
4.4 PPG支持移動醫療在高齡AF患者中的應用
AF是增齡性疾病，并常合并多種疾病。AF節律管理隨訪調查證實，54.4%的AF患者存在多共病（即合并患有兩種以上慢性長期疾病）[35]。并且，AF患者合并多發疾病的數量和類型與患者的不良預后密切相關[39-40]。移動醫療常應用于年輕的受試者，但是否能為合并多種疾病的老年AF患者帶來獲益，是研究者當前關注的焦點。mAFA II研究中對多共病亞組的分析發現，與常規治療組相比，mAFA使用組患者的一級復合終點事件（腦卒中/血栓、全因死亡及再入院率）發生率顯著下降；再入院率也明顯減少；mAFA使用組的急性冠脈綜合征、未控制高血壓、心衰等事件均降低。上述結果證實了移動醫療支持的ABC整合管理路徑不僅可以有效幫助高齡及多共病AF患者進行自我管理，還能降低心血管不良事件[41]。
5 mAFA指南推薦、臨床應用及衛生經濟學評價
《2020歐洲心臟病學會心房顫動管理指南》和《2021亞太心律失常協會AF管理指南》引用并推薦了7項mAFA系列研究和AF 患者ABC管理路徑，現已在臨床廣為應用。目前，逾300 萬人群參與AF篩查，150 萬人參與OSA監測，1萬余例AF患者使用mAFA系統軟件進行AF自我管理。
Luo等[42]首次使用馬爾科夫模型對中國mAFA應用于AF的管理進行了衛生經濟學評價，比較使用mAFA應用和常規治療，結果證實了mAFA支持的AF整合管理，有著更優的成本效益，更低的增量成本效果比，具有更顯著的經濟效益優勢。
6 展望
mAFA系列研究展示了AI及移動醫療輔助PGG技術在AF預警、診斷、管理中的應用前景，PPG的應用不僅能夠有助于“高危”AF患者及時診斷、獲得有效治療，還有助于“低危”人群早期風險獲知及干預，防患于未然。通過mAFA系列研究，將“被動健康管理模式”轉變為“主動健康管理模式”，從而實現“上醫治未病”，最終可以有效降低AF及其相關的并發癥的發生率。總之，基于PPG技術的移動醫療輔助的主動健康管理模式變革是AF綜合管理未來的發展方向，同時也會面臨更多新的挑戰。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：邰美慧負責本研究文獻統計、分析，并撰寫文章；金至賡負責文章修改；王浩負責文獻收集和整理；郭豫濤負責指導研究，文章審校。
0 引言
心房纖顫（atrial fibrillation，AF）是臨床中最常見的快速性心律失常。截止到2017年，全球AF的患者約為376 0萬人；到2050年，AF患病率預計增長將超過60%[1]。目前，我國的AF患者已經達到487萬人，未來AF所帶來的社會負擔會越來越重。AF會增加腦卒中、心力衰竭和死亡的風險，全球疾病負擔數據庫顯示，近10年AF導致的傷殘調整生命年（患者因AF死亡或致殘所損失的全部健康壽命年），增加了77%[1]。近十年，中國AF相關腦卒中患者增加了13倍[2]。AF具有陣發性和隱匿性，約1/3 的AF患者發作時無任何臨床表現，稱為無癥狀性AF。無癥狀AF與有癥狀AF患者發生死亡、腦卒中/血栓的風險相當[3]。10%~40%的AF患者無癥狀，直至發生腦卒中、心力衰竭等嚴重不良事件后才首次就診，這些均增加了社會健康醫療成本[4]。因此，對AF進行早期診斷和對AF相關危險因素進行早期干預才能有效降低AF患者的發病率、相關不良事件發生率和死亡率。
隨著可穿戴設備的應用普及，基于人工智能（artificial intelligence，AI）技術輔助的心臟電生理信號采集分析，如心電圖（electrocardiogram，ECG）和光電容積脈搏波（photoplehysmography，PPG）技術，已經成為研究的熱點。ECG信號因能直接反映心臟電生理過程，已成為心內科醫生診斷AF的金標準。但，采集ECG數據需在體表貼附電極片、要求患者須主動參與且舒適性較差；普通ECG數據也只能反映AF患者的單次檢測結果，不支持針對AF患者進行長程持續監測。而，PPG可以通過光電技術檢測來連續反映由心臟活動引起的外周血管中血容量變化的信號，其測量方法具有便攜性和舒適性等優點。目前， PPG技術已被廣泛應用于可穿戴設備進行生理信號的連續監測，從而實現了對AF的診斷和預測[5-7]；此外，PPG還可以與移動醫療相結合，實現AF患者的遠程管理。
AI 是計算機科學的一個分支，主要指機器和計算機系統模仿人類智力，以期實現像人類一樣解決復雜問題的技術。目前，機器學習（machine learning，ML）是較廣泛應用于心律失常智能診斷領域的AI技術。ML常見的類型包括有監督式ML和無監督式ML兩種。有監督式ML指利用圖像本身的特征和人工手動輸入的標簽對圖片進行處理和學習，從而達到預測標簽的目的，該類型多用于AF的診斷和預測；無監督式ML指僅輸入有特征的圖片，但并不指定標簽，從而達到尋找隱藏結構的目的，主要應用于數據的分類管理。深度學習（deep learning，DL）是ML的一種特殊形式，其特點是構建類似人腦的神經網絡[8]。這種模式的主要優點是可以靈活地理解復雜的數據，但其局限性主要在于需要大量的數據集提供訓練和學習。在現有各種神經網絡中，主要用于AF領域的是循環神經網絡（recurrent neural network，RNN）和卷積神經網絡（convolution neural networks，CNN）。 RNN常被用于建立預測模型，而CNN則常用于AI輔助的ECG波形分析[8-10]。
本文主要綜述了在可穿戴設備的應用背景下，移動醫療及AI輔助的PGG技術在AF檢測、篩查、整合管理等方面的應用現狀進展。
1 基于PPG技術的可穿戴設備在AF檢測中的應用
可穿戴設備包括手持式終端、手環/表、胸帶、ECG貼、ECG背心等[11]。可穿戴設備可以通過ECG數據及PPG數據分析心臟電生理信號繼而進行AF的診斷。近年來，使用PPG技術輔助的可穿戴設備進行AF診斷的研究結果顯示，PPG數據與ECG數據之間存在高度相關性，可應用于AF的診斷。已有研究結果顯示，當采集時間為10 s時，可穿戴設備單次檢出AF的敏感性和陰性預測值分別為1.5%和66%，而在14 d內每天進行兩次30 s心臟電生理信號采集，可穿戴設備檢出AF的敏感性和陰性預測值增加到8.3%和67%[12]。這說明需要長程連續的心臟電生理信號采集才能提高AF的檢出率。
本課題組設置的移動技術改善AF篩查及整合管理系列研究項目平臺在全球范圍內率先證明了PPG技術輔助可穿戴設備對AF進行檢測和連續監測的可行性。基于該項目平臺創建的移動AF應用程序（the mobile AF apps，mAFA）階段Ⅱ（mAFA Ⅱ）的前期研究證實，搭載PPG技術的智能手環單次檢測AF的敏感性、特異性、陽性預測率、陰性預測率及準確率均超過94%[13]。繼而，mAFA Ⅱ研究針對現實社區中的AF風險人群進行了AF檢測，共招募了200例用戶持續佩戴華為PPG手環/手表，經過14 d的持續監測后結果顯示，本次研究中使用的可穿戴設備識別AF的準確率超過91%[14]。上述研究不僅證明了使用PPG技術支持下的可穿戴設備識別AF的可靠性，還發現AF檢出時間與AF負荷有關，當AF負荷小于50%時，需要平均4 d的主動測量或者2 d的周期測量才能確診AF[14]。因此，AF負荷較輕的患者需要更長時間、更頻繁的監測數據作為支撐，才能確診AF。
2 基于PPG技術的可穿戴設備在AF篩查中的應用
2005年Hobbs等[15]在英國開展的隨機對照試驗開啟了針對社區人群的AF篩查。該研究發現，與脈搏檢查相比，使用篩查設備組的老年人群中AF的檢出率更高。而后，在全美開展的多中心隨機對照研究和英國開展的單中心隨機對照研究中[16]，開始使用手持式或單導聯ECG等可穿戴設備在老年或其它高危人群中進行AF篩查。上述研究發現，與未使用篩查設備的受試者相比，使用篩查設備的受試者的AF檢出率顯著升高。然而，在檢出的AF人群中并未觀察到AF相關不良事件的發生率進一步降低。
PPG技術通過持續監測脈搏頻率變化來識別陣發性AF或無癥狀AF。目前，已經有多個相關研究采用不同的感知設備及應用軟件（application，APP）對AF進行篩查。2017年蘋果公司發起心臟健康研究項目，在40萬例受試者中，不規則脈搏的檢出率為0.52%。隨后，在這些檢測到的不規則脈搏中，84%的受試者在完成ECG檢查后被確診為AF，蘋果的心臟健康研究項目結果揭示了搭載PPG技術的可穿戴設備通過不規則脈搏檢測AF的可行性[5]。mAFA II 篩查研究項目應用華為PPG手環/手表對18萬例受試者進行AF篩查，PPG手環/手表對AF的檢出率為87%，陽性預測值為91.6%。此外，mAFA II研究還發現，腕表、腕帶佩戴的舒適性、信號質量、監測周期、監測方式與AF的檢出率相關。周期測量較單次主動測量能更有效地篩查出AF；另外，持續2周以上的監測更有利于AF檢出[17]。上述研究，為長期監測正常人群以防范AF的發生提供了簡易可行的方法。隨后，mAFA II研究項目中，1年以上長期隨訪隊列顯示，搭載PPG技術的可穿戴設備長期篩查項目中具有良好的穩定性和準確性[18]。
可穿戴設備—樂活（Fitbit）研發公司的心臟研究項目發現，可穿戴設備Fitbit的新型PPG軟件算法可能有助于早期檢測出未確診的AF，但研究也發現該算法對受試者佩戴時的姿勢要求較高，僅在受試者夜間佩戴不進行活動保持靜止時，有較高的陽性預測值；而篩查受試者日常活動期間發生AF風險的有效性仍需進一步改進[19]。此外，冠狀動脈疾病/慢性阻塞性肺病、高血壓、衰老、收縮性心力衰竭、甲狀腺疾病（coronary artery disease/chronic obstructive pulmonary disease；hypertension；elderly；systolic heart failure；thyroid disease，C2HEST）評分量表是在中國人群中建立的AF風險臨床評分工具，已有多個隊列研究證實其預測AF的準確性[20-23]，而將可穿戴設備與C2HEST評分結合后可以進一步提高靶向人群AF的檢出率，進而實現早期干預AF的策略。
上述可穿戴設備的普及，展現了以消費者為主導的AF篩查的廣闊前景。mAFA II擴展隊列研究的4年隨訪結果顯示，華為PPG手環/手表在大規模中國人群中AF檢出率為0.4%， AF診斷準確率超過90%，且AF檢出率逐年增加[24]。并且這一系列研究提供了支持搭載PPG技術的可穿戴設備對AF進行長期監測和管理的證據，補充了中國AF臨床流行病學變化趨勢資料，同時該研究也觀察到AF發生的危險因素未能得到有效管理，包括：夜間睡眠呼吸暫停（obstructive sleep apnea，OSA）、肥胖、高血壓、體力活動不足等，亟需改善健康管理模式。
3 AI輔助的PPG技術在AF預測中的應用
AI目前多應用在ECG信號的自動診斷領域。既往研究發現，基于12導聯ECG信號的DL模型對AF自動診斷的準確率較高[25]。基于單導聯ECG信號（如I導聯）的深度AI模型，其自動診斷AF的能力與基于12導聯ECG信號的診斷能力基本相同[26]。AI也可以應用于ECG數據分析，并預測AF的發生。Attia等[27]通過采集18.1萬例患者的標準12 導聯ECG數據，建立了具有較高的敏感性、特異性和準確率的預測AF發生的DL模型。隨后，華為公司發起的心臟研究項目結果證實了基于PPG數據建立的ML模型比基于12導聯ECG數據具有更好的AF預測效能[28]，該研究提示ML模型可以提前4 h預測AF發生[28]，這些技術的發展為AF的早期診斷和干預提供了契機。
4 PPG技術支持移動醫療在AF患者管理中的應用
4.1 PPG技術支持移動醫療在AF患者整合管理的應用
當前，臨床指南推薦的“腦卒中預防、更好的癥狀管理、心血管危險因素及合并疾病治療”（avoid stroke，better symptom management，cardiovascular risk and comorbidity management，ABC）整合管理路徑中更加強調AF患者的個體化管理。經證實，患者遵守ABC整合管理路徑后，可以降低不良預后；基于此，不少研究均探索了移動醫療在AF綜合管理的應用前景[29-32]。基于移動技術的AF管理平臺驗證了移動醫療應用于AF專病管理的可能性。mAFA階段I（mAFA I）研究在全球范圍內首次將移動醫療技術應用于AF管理。該研究發現，與對照組相比，mAFA使用組的患者在AF知識儲備、藥物依從性、抗凝滿意度及生命健康質量評分等方面均有顯著提高[33]。隨后，mAFA Ⅱ研究才開啟了AF患者的整合管理[34]。mAFA系統可提供：① 智能動態血栓、出血風險評估；肝腎功能自動監測；智能推薦抗凝藥物調整。② 聯動搭載PPG技術的智能手環/手表后，監測AF發作。③ 形式豐富的醫療科普教育，包括針對患者的醫療常識教育文章、在線直播及可回放的教育視頻、尋找AF誘因游戲、醫患互動等，以幫助患者認知疾病、輔助患者自我管理。④ ABC整合管理路徑。在此基礎上，mAFA II的中期研究結果和一年以上隨訪隊列證明了mAFA軟件可以改善患者依從性[18-19]。目前，mAFA階段III研究正在進行，該研究基于移動醫療為AF患者提供針對不同風險及治療方式的更加個性化的管理。
4.2 移動醫療可改善AF患者依從性、優化抗凝治療
移動醫療不僅可以評估患者的卒中風險，還可以促進患者的用藥依從性，增加患者管理依從性。研究顯示，移動醫療可為正在服用華法林的患者提供遠程抗凝指導，有效地遠程監測國際標準化比值（international normalized ratio，INR）變化，降低了患者出血事件的發生率[35]。當前隨著新型口服抗凝藥的廣泛應用，移動醫療也可以進一步提高患者口服抗凝藥物的依從性。一項來自我國的多中心研究發現，與對照組相比，佩戴具有服藥提醒功能的智能手表的AF患者，完成12個月隨訪后，每個月的口服抗凝藥天數大于80%的患者在全部患者中所占比例均超過90%，且隨訪期間均高于標準隨訪組[36]。此外，mAFA II研究中針對一年以上隨訪隊列的記錄，是全球首次評價AF患者使用移動醫療APP的依從性和持久性的研究，其結果證實了移動醫療支持下AF整合路徑管理的可靠性[19]。另一項隊列研究也證實，經華為智能手環篩查及醫療機構確診的AF患者進入mAFA管理平臺后80%腦卒中風險高危患者得到了有效的抗凝治療[18]。
mAFA 應用還可以提供智能動態的血栓及出血風險評估，幫助AF患者優化抗凝治療。研究結果顯示：與基線相比，完成12個月隨訪后，出血高危患者［即心房顫動抗凝治療出血風險評分系統（HAS-BLED）得分≥3分］的HAS-BLED出血評分顯著降低；且合并使用非甾體抗炎藥物、腎功能不全者，其INR等可糾正的出血風險因素顯著下降；與對照組相比，mAFA使用組口服抗凝藥物依從性明顯增加，而大出血事件顯著減少[37]。
4.3 PPG支持移動醫療可降低AF患者心血管不良事件發生率
mAFA II研究中期結果提示：相比于常規治療組，mAFA組AF患者一級復合終點事件（一級終點事件為腦卒中/血栓、再入院率及死亡復合終點事件）和再入院率均明顯降低；性別、年齡、AF類型、合并共病等亞組分析顯示：mAFA使用組的一級終點事件發生率明顯降低[38]。隨后，mAFA II長期隨訪研究證實，移動醫療支持的AF管理不僅可有效降低心血管不良事件，并隨著使用移動醫療時間延長，其降低不良事件的作用愈加明顯。可見，PPG技術支持移動醫療的AF整合管理路徑對降低心血管不良事件的發生、改善患者預后具有重要積極意義。
4.4 PPG支持移動醫療在高齡AF患者中的應用
AF是增齡性疾病，并常合并多種疾病。AF節律管理隨訪調查證實，54.4%的AF患者存在多共病（即合并患有兩種以上慢性長期疾病）[35]。并且，AF患者合并多發疾病的數量和類型與患者的不良預后密切相關[39-40]。移動醫療常應用于年輕的受試者，但是否能為合并多種疾病的老年AF患者帶來獲益，是研究者當前關注的焦點。mAFA II研究中對多共病亞組的分析發現，與常規治療組相比，mAFA使用組患者的一級復合終點事件（腦卒中/血栓、全因死亡及再入院率）發生率顯著下降；再入院率也明顯減少；mAFA使用組的急性冠脈綜合征、未控制高血壓、心衰等事件均降低。上述結果證實了移動醫療支持的ABC整合管理路徑不僅可以有效幫助高齡及多共病AF患者進行自我管理，還能降低心血管不良事件[41]。
5 mAFA指南推薦、臨床應用及衛生經濟學評價
《2020歐洲心臟病學會心房顫動管理指南》和《2021亞太心律失常協會AF管理指南》引用并推薦了7項mAFA系列研究和AF 患者ABC管理路徑，現已在臨床廣為應用。目前，逾300 萬人群參與AF篩查，150 萬人參與OSA監測，1萬余例AF患者使用mAFA系統軟件進行AF自我管理。
Luo等[42]首次使用馬爾科夫模型對中國mAFA應用于AF的管理進行了衛生經濟學評價，比較使用mAFA應用和常規治療，結果證實了mAFA支持的AF整合管理，有著更優的成本效益，更低的增量成本效果比，具有更顯著的經濟效益優勢。
6 展望
mAFA系列研究展示了AI及移動醫療輔助PGG技術在AF預警、診斷、管理中的應用前景，PPG的應用不僅能夠有助于“高危”AF患者及時診斷、獲得有效治療，還有助于“低危”人群早期風險獲知及干預，防患于未然。通過mAFA系列研究，將“被動健康管理模式”轉變為“主動健康管理模式”，從而實現“上醫治未病”，最終可以有效降低AF及其相關的并發癥的發生率。總之，基于PPG技術的移動醫療輔助的主動健康管理模式變革是AF綜合管理未來的發展方向，同時也會面臨更多新的挑戰。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：邰美慧負責本研究文獻統計、分析，并撰寫文章；金至賡負責文章修改；王浩負責文獻收集和整理；郭豫濤負責指導研究，文章審校。