AppleWatch房颤功能再迎升级,手腕上的心脏检测有多靠谱?

心脏有左右之分,还有心房和心室的区别。心房里有个窦房结是所有心跳电信号的起点,从窦房结传导到房室结,再经传至心室,引起心房-心室序贯收缩舒张,完成一次有效的泵血,也就是我们可以从胸口摸到的一次心跳。

房颤,即心房颤动(AtrialFibrillation,AF/AFib),就是当心房内出现异常电激动,导致心跳电信号的起点不再是单一的窦房结的时候,异常的心房主导的折返环引起许多小的折返回路,导致房律紊乱,引起心房无效收缩——顾名思义就是心房在乱颤。

我们正常心跳的频率是60-100次/分,一次心房收缩对应一次心室收缩。但心房颤动就厉害了,房颤的频率是一分钟350-600次,由于不是每一次颤动都能下传到心室引起对应的收缩,房室传导正常时房颤心律的心室率是绝对不齐的。

因此呢,房颤的心电图特点是:代表正常心房活动的P波消失,被高频不规则的锯齿样波(f波)取代,并且代表心室活动的QRS波两次R波间距绝对不齐。这样的心电图特点在任何一个导联上都可以看到,并且可以被脉搏触诊感知到——这也意味着房颤可能是判断门槛最低的心律失常。

在查体时,医生可以通过听诊心跳同时触诊手腕处桡动脉搏动的频率来判断,心率>脉率的特点被称作「脉搏短绌」,我们可以由此推断房颤的存在。诊断则要依靠12导联心电图或者单导联心电图记录到房颤,并且持续30s以上。

2021年最新的房颤全国流行病学调查发现,我国18岁以上人群房颤年龄校正后的患病率为1.6%。

房颤如此常见,那它有什么危害呢?

前面的动图我们也可以看到房颤时心房高频地无效收缩着,这带来3个问题。

第二,这种无效的收缩会引起心房尤其是左心耳内血液瘀滞,形成血栓,这个可不是长在那儿就完了的,随着这种乱颤,栓子极有可能会掉落,随着循环走,到了它过不去的地方就会导致栓塞,引起对应区域缺血坏死,堵在脑血管里,就引起脑栓塞,堵在体循环里引起体循环栓塞,例如到肠系膜动脉里就引起肠系膜动脉栓塞,都是要命的后果。

第三,当房颤频率下传多的时候,引起快心室率,会加重心脏整体的负担,慢慢把心脏给累死了,导致心力衰竭。心衰和房颤常常同时存在并相互影响形成恶性循环。

房颤导致全因死亡率增加,男性增加1.5倍,女性增加2倍。房颤也引起心衰的发病率升高2倍。如果没有有效抗凝,房颤者出现缺血性卒中(即脑栓塞/脑梗死)的风险是非房颤者的4-5倍,出现体循环栓塞的患者在发生的30天内致残率达20%,致死率达25%。

不仅如此,房颤患者发生心肌梗死的风险也增加2倍,还会增加认知功能下降、痴呆、阿尔兹海默病、血管性痴呆和肾功能不全的风险。

房颤既是心脏疾病,也可以是全身疾病的心脏表现,引起房颤的病因很多,以冠心病、心肌病、风湿性瓣膜病等疾病为主。其他常见病因包括高血压、肺源性心脏病、先天性心脏病、甲状腺功能亢进、预激综合征等。

《心房颤动:目前的认识和治疗建议(2021)》指出应针对房颤高危人群开展筛查,包括高龄、心衰、肥胖、高血压、糖尿病、阻塞性睡眠呼吸暂停、结构性心脏病、隐源性卒中/短暂性脑缺血发作、遗传性心律失常患者和特殊职业人群(职业运动员)等。肾功能不全也是房颤的危险因素,15%-20%的慢性肾功能不全患者同时合并有房颤。

AppleWatch的ECGapp就在2018年得到了美国食品药品管理局(FDA)的批准(over-the-counteruse)用于22岁以上人群,可以生成、分析和展示心电图的数据,但并不能仅依据该设备的数据进行诊断。Apple移动心电图/脉率房颤提示软件则是在一年前获得了我国食品药品监督管理局的批准,作为2类医疗器械获批上市。

由于我并没有电子工程学的背景,这部分可能就简单介绍一下,如果有不够专业的地方欢迎专业的小伙伴纠错。

光电容积脉搏波描记法(Photoplethysmography,PPG)是一种利用激光对待测流体或固体的体积进行检测并记录,最后对体积的变化曲线进行分析并做出评价的一种方法,发射光进入人体被组织(如肌肉、骨骼、静脉、动脉等)吸收,吸收量一般是恒定不变的,构成脉搏波的直流分量,而心脏收缩引起的血液容积变化会改变光的吸收量并在直流分量基础上产生波动,构成脉搏波的交流分量。最常见的应用就是临床上的脉搏血氧饱和度检测仪。

这种方法需要用到LED、光电二极管和信号处理/补偿电路。

检测房颤主要是由于在房颤状态下的脉搏波与正常状态有明显不同,包括脉冲宽度、峰峰间隔和收缩期面积等方面均有较大差别。

AppleWatchSeries1-3,以及适配Android或Harmony系统的智能手表的非ECG版本(如OPPOWatch2,HUAWEIWATCHGT3等)多采用PPG技术,大家在选购的时候也可以注意一下(一般较ECG版本价格更低)。

前面我们提到了心脏活动依赖于电信号的激动和传导,心肌激动的电流可以从心脏经过身体的组织传导到体表,通过在前胸、上下肢放置电极和导线记录这些电流,就可以来评估心脏电活动的正常与否。

AppleWatchSeries4以后的设备,在数字表冠中加入了钛电极(负极),并在手表背面的蓝宝石水晶表镜上镀了一层超薄的铬硅碳氮化物层(正极)。手表背面贴紧的手腕处和另一手的指尖形成了一个闭合电路,使得ECGapp能够获取并记录电脉冲。因此如果设备硬件上没有电极,那就没有办法使用ECGapp。

要生成心电图,用户要佩戴好手表,打开安装在AppleWatch上的心电图应用程序,然后将另一只手的一根手指放在数字表冠上30秒,如常规左手佩戴手表右手触摸数字表冠,测量后可生成一个类似于12导联心电图中的I导联的心电图(如图上右手→左手即I导联),完成后还可以选择「导出PDF给医生」导出心电图作为就诊的部分依据。

本次watchOS9的更新提供了浏览房颤历史记录的功能,这对于房颤诊断、分类及房颤负荷大小的评估有一定意义。

谈靠谱不靠谱的之前我们先简单解释两个概念,敏感性和特异性。

对于比较严重的疾病,筛查工具一般需要有足够高的敏感性(真阳性率),所谓宁杀一万;特异性可以稍微低一些——当然如果两者都足够高就更完美了。

Apple公司的AppleHeartStudy自2017年在ClinicalTrial上注册开展,在2019年将研究结果发表在临床医学的顶刊NewEnglandJournalofMedicine上。

研究最终有效分析了450名参与者的心电图数据,其中34%的人可被诊断为房颤,而在收到电极片的65岁以上人群中房颤的确诊率达35%,而40岁以下人群中房颤确诊率为18%。在ECG确诊房颤的153名参与者中,有18名患者出现心室率超过200次且持续超过了30秒,还有一人出现了长达6秒的心脏停搏(这种情况绝对需要住院了)。有84人在收到手表异常心率提示后同时使用ECG电极检测,其中72人的ECG显示确为房颤,这提示基于PPG的AppleWatch对房颤的阳性预测值为0.84。

研究者们还对所有参与者进行了后续问卷调查。收到异常通知者中的929人完成了问卷,这其中44%的人称自己确实新近确诊了房颤;没有收到异常通知者中的293,015人完成了问卷,仅1%的人称新近确诊房颤。

这项研究不是为了验证AppleWatch的算法作为筛查工具的敏感性与特异性,而是为了最小化假阳性率,这也意味着一些短暂发作的房颤有可能会被工具漏掉——即没有异常通知不代表一切正常。

ECGapp1.0和2.0都做了临床验证的研究,对比同一参与者使用ECGapp生成的单个导联ECG和临床上使用的心电图仪生成的标准12导联心电图。

1.0的验证研究首先随机挑选70名有房颤的和70名没有房颤的参与者的心电图,由技术人员测量两者形态上的一致性,给予「Pass」或「Fail」的分类评价。并且,3名独立的心内科专家对所有入选者的12导联心电图进行读图分类,对比ECGapp的分类能否准确分辨房颤和窦性心律。研究招募了602名受试者,其中588人符合入选标准。对第一项波形形态评估,技术人员评判99.2%的ECGapp心电图与12导联心电图基本一致。ECG1.0应用分类算法在区分AFib方面达到了98.3%的敏感性和99.6%的特异性,如果把无法分类的数据也纳入分析的话,对房颤诊断的阳性率为85.2%(236人/277人)。

ECG2.0拓展了可进行分类的心率范围至50-150bpm,并且将分类细化,合并了是否伴快心率。2.0的验证研究同样对比了形态上的一致性和分类的敏感性和一致性,结果发现534名完成了研究的受试者中,512人的心电图可以被分类,识别房颤的敏感性为98.5%,特异性为99.3%。

只看手表通知不够可靠

总体来看,Apple在控制假阳性率方面做得不错,不太会出现明明正常却误报的,但通知显示「Inconclusive」的比例有点高,还是导出后查看PDF获得的信息更为准确。

心率范围

除此之外,ECGapp还有其它局限性,对每个使用者来说,了解它的适用范围尤其重要。

首当其冲的缺点就是即使是2.0版本,App对心率的检测和分析有50-150bpm的范围限制,而当房室传导出现问题时,心率——即心室率很有可能会低于50次;心衰或甲亢的病人往往合并房颤的时候会出现快房颤——心室率有可能会高于150次、甚至超过200次。此时的ECGapp是否能准确识别,还是会提供一个假阴性的结果给患者就不得而知了,这样带来的后果就是有可能会误导患者,延误亟需的治疗。

单一导联不能识别心梗

其次是对与房颤无关的其它疾病来说不太能派得上用场,尽管单导联的ECG和12导联中的I导有较高的相似性,但单一导联的波形提供的信息到底有限,Apple的官方说明上也表示心电图并不能反映心脏病发作,这里贴一下官方的原文:

心脏病发作即「heartattack」,指的是突然发作的冠脉供血不足引起的心肌缺血症状,这往往意味着心肌梗死,而由于心脏冠脉有多个分支,不同分支堵塞会在不同的心电图导联上产生特定的缺血表现,比如单纯前壁梗死时I导联可能并不会有特别明显的异常。这时没有预警的手表心电图并不代表没有问题。

目前也有研究者通过改变手表的电极放置位置进行多次测量来获得更多的导联,以期通过更多导联的信息判断有无心梗发生。

如先正常佩戴测量1次,再将手表背面电极紧贴中腹部皮肤,然后左右手交替触碰数字表冠各检测一遍,则可以生成类似于II、III导联的心电图。该研究者在2例下壁心梗的患者上采用了AppleWatchSeries4进行测量,发现手表生成的心电图与12导联心电图显示的下壁心梗患者的波形具有一定的一致性。

但大家也不能过于乐观,这种方式并不能获得其余9个导联的心电图,尤其是胸前导联,这意味着除了下壁或高侧壁心梗有一定可能性被检测出来,但「没有看到异常」不能代表正常,还是不建议大家把手表获得的心电图作为判断自己健康与否的主要依据。

此外还有研究者将AppleWatch放在下肢获取I、II、III导联,并将电极放置在胸前获取6个胸前导联。

这样的做法需要用户对心电图各个导联放置的位置有一定的了解,必须序贯检测各个导联,不能弄混,并需要导出、重命名对应的心电图,使用的门槛较高,不推荐没有医学知识的小伙伴使用。这些方法只在个别病例上验证过,没有大样本的临床研究去验证其与12导联心电图的一致性,因此不推荐大家依靠这种方法作为诊断依据。并且,考虑到电磁干扰,体内有起搏器、植入式心脏复律除颤器(ICD)或心脏再同步治疗起搏器(CRT)的患者最好不要尝试在胸前使用手表进行检测。

THE END
1.通过机器学习让图像识别更精准更快速机器视觉是一种利用计算机系统分析和理解数字图像内容的手段。这项技术结合了计算机科学、电气工程和认知科学等多个领域,以模仿人类视觉系统工作原理来解析图片中的对象特征,从而能够执行诸如物体检测、分类以及跟踪等任务。 三、传统方法与挑战 传统图像处理算法依赖于手工设计的人类智慧,这限制了它们适应新环境或新类型数https://www.wbhgwbnd.com/ji-qi-ren/861790.html
2.图像识别算法都有哪些方法图像识别算法都有哪些方法 图像识别算法是计算机视觉领域的核心任务之一,它涉及到从图像中提取特征并进行分类、识别和分析的过程。随着深度学习技术的不断发展,图像识别算法已经取得了显著的进展。本文将介绍图像识别算法的主要方法,包括传统方法和基于深度学习的方法。https://www.elecfans.com/d/4033152.html
3.图像图像识别经典算法图像识别算法特征提取:从图像中提取有助于分类的特征。 模型训练:使用特征和标签数据集训练模型。 预测与分类:利用训练好的模型对新图像进行分类。 二、经典图像识别算法 1. Haar-like Features + AdaBoost (Viola-Jones) Viola-Jones算法是人脸检测领域的里程碑,它结合了Haar-like特征和AdaBoost算法。Haar-like特征简单且计算https://blog.csdn.net/yuzhangfeng/article/details/140436315
4.图像识别算法起源图像识别主流算法卫斯理的技术博客在图片识别方面,人工神经网络是应用最广泛、最有效的技术。神经网络同时执行许多数学过程,神经网络是面部识别系统的基础。 算法执行三个主要功能:识别图像、视频或实时流中的人脸;创建人脸的数学模型;并将模型与训练集或数据库进行比较以确认一个人的身份。 https://blog.51cto.com/u_12207/10760565
5.图片文字识别的算法分类算法中的难例图片判断华为云帮助中心为你分享云计算行业信息,包含产品介绍、用户指南、开发指南、最佳实践和常见问题等文档,方便快速查找定位问题与能力成长,并提供相关资料和解决方案。本页面关键词:图片文字识别的算法。https://support.huaweicloud.com/topic/306993-1-T
6.基于深度卷积神经网络的物体识别算法以上物体检测的方法都只是利用RGB彩色信息,而没有利用深度信息。由于深度数据具有光照和颜色不变性,并且能提供彩色数据不能提供的几何信息,对深度数据提取额外的特征将大幅提升视觉算法的性能。华盛顿大学Lai等[9]创建了一个RGB-D物体数据库用于验证物体识别算法。这个数据库既包含彩色图片又包含对应的深度信息,分别约为https://html.rhhz.net/jsjyy/2016-12-3333.htm
7.图像识别算法有哪些图像识别十大经典算法图像识别是计算机视觉领域中的一个重要分支,它旨在让计算机能够理解和识别图像。下面将介绍一些常见的图像识别算法。 1.图像分类 图像分类是指将一张图像分类到不同的类别中。常用的图像分类算法包括卷积神经网络(CNN)、支持向量机(SVM)等。 2.目标检测 https://www.eefocus.com/e/518039.html
8.三年磨一剑——微信OCR轻松提取图片文字ocr算法文本行图6 长按图片分类标签体系 3. 通用OCR识别 (1)文本检测 常用的基于深度学习的文本检测方法一般可以分为基于回归的、基于分割的两大类,当然还有一些将两者进行结合的方法。 图7 常用文本检测算法 基于回归的方法分为 box回归和 像素值回归。 采用box回归的方法主要有CTPN、Textbox系列和EAST,这类算法对规则形状文https://dy.163.com/article/G5NTLL1U0518R7MO.html
9.秒懂算法基于主成分分析法随机森林算法和SVM算法的人脸识别本文的任务与手写数字识别非常相似,都是基于图片的多分类任务,也都是有监督的。 01、数据集介绍与分析 ORL 人脸数据集共包含 40 个不同人的 400 张图像,是在 1992 年 4 月至 1994 年 4 月期间由英国剑桥的 Olivetti 研究实验室创建。 此数据集下包含 40 个目录,每个目录下有 10 张图像,每个目录表示一个https://xie.infoq.cn/article/ca9d988d0f70305993976225a
10.给照片穿上“隐身衣”,最强人脸识别算法也失灵!业界推出最新AIFawkes ,已经让旷视、微软、亚马逊等公司的面部识别算法失灵。 来自芝加哥的调查团队称。Fawkes的正是为照片添加防识别“隐身衣”的AI软件,经检测,它已经在最先进的面部识别技术中取得了百分百的胜利。 我们先来看一组图片。 相信你很难看出两组照片有任何差别。事实上,后者已经过了Fawkes处理,并能够屏蔽任何人脸识别https://www.leiphone.com/category/industrynews/AZf9RS8Y63Uvxi2j.html
11.有哪些免费图片转word软件APP推荐有哪些免费图片转word软件下载豌豆荚有哪些免费图片转word软件榜单为您提供最新有哪些免费图片转word软件大全,这里不仅有有哪些免费图片转word软件安卓版本APP、历史版本应用下载资源,还有类似有哪些免费图片转word软件的应用推荐,欢迎大家前来豌豆荚下载。https://www.wandoujia.com/bangdan/395418/
12.基于改进残差网络的扬尘图像识别方法由于扬尘图像识别目前没有公开的数据集. 因此,通过在互联网上收集各类有关扬尘场景的图片, 整理形成训练集和测试集, 然后使用数据增强在训练集和测试集中生成更多的数据, 解决了该研究中没有数据集以及数据量不足的问题. 为了增强模型的泛化能力, 采用数据增强的操作扩充所需的数据样本, 让网络模型更好的适应各种应https://c-s-a.org.cn/html/2021/5/7909.html
13.深入解析机器学习核心概念分类特征有时称为离散特征。 与数值数据相对。 形心(centroid) 聚类的中心,由k-means或k-median算法决定。例如,如果 k 为 3,则 k-means 或 k-median 算法会找出 3 个形心。 检查点 (checkpoint) 一种数据,用于捕获模型变量在特定时间的状态。借助检查点,可以导出模型权重,跨多个会话执行训练,以及使训练在发生https://www.360doc.cn/article/7673502_976517820.html