心律失常是导致院内心血管疾病患者死亡的主要原因之一，全球约一半的心血管疾病死亡由其引起。运动员发生运动性心律失常导致心脏性猝死的风险是普通人群的2.4倍。

以心房颤动为例，尤其是阵发性心房颤动，心电图仍旧为诊断的核心方法。目前，心律失常的诊断主要依赖于常规十二导联心电图和24小时动态心电图（Holter），但这些方法可能因操作时间短而漏诊。床边心电监护仪虽然用于医院危重患者，但价格昂贵、体积大且需要电源。Holter使用时携带不便，数据处理复杂，准确性有限，因此大规模应用受限。

随着计算机智能技术发展，人工智能（AI）及可穿戴设备等辅助技术为心律失常诊断提供有力依据。AI算法能从海量数据库学习，无需人为编程且能及时预警，在心血管领域疾病诊断、分类、风险分层、健康监测和治疗方案选择中有很大潜力，对心电数据的灵敏度常高于医师，能发现医师无法察觉和理解之处。

为了探讨 AI-ECG 对心律失常检测的临床应用价值，帮助早期诊断，及时预警恶性心律失常的发生更加高效准确地完成临床指导工作，降低心血管疾病发作的病死率，本课题《人工智能心电监测在心律失常检测中的应用价值》采用乐普ER1-LB动态心电检测仪对参与研究的患者进行监测，具体研究内容概述如下。

一、研究人群

选择心内科就诊的1240例患者，包括门诊520例，住院720例; 其中男610例，女630例; 年龄28-96 岁，平均年龄( 38.1 ± 10.6) 岁。

同时佩戴 AI-ECG 及常规24h动态心电图收集心律失常样本。并根据临床心律失常分类，将本课题研究对象分为窦性心律失常组( n=386) 、房性心律失常组( n=282) 、房室交界区性心律失常组( n=248) 、室性心律失常组( n=180) 、心脏传导阻滞组( n=144) 。

二、研究方法

数据采集方法:

①本研究 AI-ECG 组使用乐普ER1-LB动态心电记录仪，基于深度学习算法( 卷积神经网络) 的先进心电图分析引擎来自动提取患者心电图，ER1-LB动态心电记录仪可以长时间佩戴，采集的心电数据通过 USB 上传至PC 端并发送至乐普医 AI-ECGPlatform 平台分析，同时实时监护分析团队将会对患者的数据进行分析与审核，最终将报告再回传至医生，客户端为后续的治疗方案提供依据，此产品佩戴时不影响美观，同时也不影响用户的活动，增强其适应性及抗干扰性。

②Holter 组采用普通 24 h 动态心电图进行诊断，由 2位专业心血管内科医生及心电图专业医师根据心电图对受试者的心律信息做出诊断，若诊断结果一致，则作为诊断标准，若不一致则提交 3 名心电临床专家复核，3 位专家的一致性结果作为诊断标准。

 电极佩戴方式:

本研究使用的 AI-ECG 设备有两种佩戴方式：

心电电极佩戴方式: Ｒ 端朝右边，高于左边，轴线和肩部斜线平行，Ｒ 端距离锁骨切迹 ＜2 cm; 

胸带佩戴方式: 心贴在胸骨下方的中间位置，无需心电电极片，本实验研究采取胸带佩戴方式。

二、研究结果

2 组心电图处理时间比较， AI-ECG 组心电图处理时间低于 Holter 组，差异有统计学意义( P＜0.01) 。见表 1。

2 组心律失常阳性诊断情况的比较， AI-ECG 组心律失常检测的阳性率可达 68.87% ( 854/1240) ，显著高于 Holter 组检测的 38.87% ( 482/1240) ，差异有统计学意义( P ＜0.05) 。且在不同检测类型的心律失常患者中，AI-ECG 组心电设备对心律失常的阳性率诊断率均显著高于常规 Holter 组，差异有统计学意义( P＜0.05) 。见表 2。

AI 监测实际发生预警情况和应预警情况比较， AI 实际发生预警的有效率与实际应预警的有效率分别为 93.51% ( 360/385) 和 92.43% ( 220/238) ; 2 组有效率比较，差异无统计学意义( P＞0.05) 。见表 3。

2组满意率比较，AI-ECG 组满意率为( 95.16%) ，明显高于Holter组满意率( 80.65% ) ，差异有统计学意义( P＜0.01) 。见表 4。

实时监护中通过预警器预警发现危及生命的恶性心律失常 105 例，及时通知医生及用户给予有效的干预措施，抢救成功 97 例。见图 3、4。

通过上述结果表明，AI-ECG 能在充分提供常规动态心电图监测功能的基础上，对恶性心律失常事件做出及时预警，早期发现，及时给予治疗，提高患者的救治成功率、降低病死率，具有良好的临床医学应用研究前景。