心房纤颤（AF）是最常见的快速性心律失常，早期诊断及有效管理是降低其不良事件的关键。光电容积脉搏波（PPG）常辅助可穿戴设备进行持续的心电监测，显示出其独特的价值。PPG技术的发展为AF管理提供了新的方案。一系列旨在用移动健康技术提高AF筛查及优化整合管理的研究，已经对PPG在AF患者的筛查、诊断、早期预警、整合管理等方面的应用进行了探索。本文总结了近年搭载PPG技术的人工智能及移动医疗在AF领域应用的最新进展，以及当前研究的局限性和未来研究的关注重点。
引用本文： 邰美慧, 金至赓, 王浩, 郭豫涛. 光电容积脉搏波在心房纤颤预警、诊断及整合管理中的应用. 生物医学工程学杂志, 2023, 40(6): 1102-1107. doi: 10.7507/1001-5515.202206005 复制
0 引言
心房纤颤（atrial fibrillation，AF）是临床中最常见的快速性心律失常。截止到2017年，全球AF的患者约为376 0万人；到2050年，AF患病率预计增长将超过60%[1]。目前，我国的AF患者已经达到487万人，未来AF所带来的社会负担会越来越重。AF会增加脑卒中、心力衰竭和死亡的风险，全球疾病负担数据库显示，近10年AF导致的伤残调整生命年（患者因AF死亡或致残所损失的全部健康寿命年），增加了77%[1]。近十年，中国AF相关脑卒中患者增加了13倍[2]。AF具有阵发性和隐匿性，约1/3 的AF患者发作时无任何临床表现，称为无症状性AF。无症状AF与有症状AF患者发生死亡、脑卒中/血栓的风险相当[3]。10%~40%的AF患者无症状，直至发生脑卒中、心力衰竭等严重不良事件后才首次就诊，这些均增加了社会健康医疗成本[4]。因此，对AF进行早期诊断和对AF相关危险因素进行早期干预才能有效降低AF患者的发病率、相关不良事件发生率和死亡率。
随着可穿戴设备的应用普及，基于人工智能（artificial intelligence，AI）技术辅助的心脏电生理信号采集分析，如心电图（electrocardiogram，ECG）和光电容积脉搏波（photoplehysmography，PPG）技术，已经成为研究的热点。ECG信号因能直接反映心脏电生理过程，已成为心内科医生诊断AF的金标准。但，采集ECG数据需在体表贴附电极片、要求患者须主动参与且舒适性较差；普通ECG数据也只能反映AF患者的单次检测结果，不支持针对AF患者进行长程持续监测。而，PPG可以通过光电技术检测来连续反映由心脏活动引起的外周血管中血容量变化的信号，其测量方法具有便携性和舒适性等优点。目前， PPG技术已被广泛应用于可穿戴设备进行生理信号的连续监测，从而实现了对AF的诊断和预测[5-7]；此外，PPG还可以与移动医疗相结合，实现AF患者的远程管理。
AI 是计算机科学的一个分支，主要指机器和计算机系统模仿人类智力，以期实现像人类一样解决复杂问题的技术。目前，机器学习（machine learning，ML）是较广泛应用于心律失常智能诊断领域的AI技术。ML常见的类型包括有监督式ML和无监督式ML两种。有监督式ML指利用图像本身的特征和人工手动输入的标签对图片进行处理和学习，从而达到预测标签的目的，该类型多用于AF的诊断和预测；无监督式ML指仅输入有特征的图片，但并不指定标签，从而达到寻找隐藏结构的目的，主要应用于数据的分类管理。深度学习（deep learning，DL）是ML的一种特殊形式，其特点是构建类似人脑的神经网络[8]。这种模式的主要优点是可以灵活地理解复杂的数据，但其局限性主要在于需要大量的数据集提供训练和学习。在现有各种神经网络中，主要用于AF领域的是循环神经网络（recurrent neural network，RNN）和卷积神经网络（convolution neural networks，CNN）。 RNN常被用于建立预测模型，而CNN则常用于AI辅助的ECG波形分析[8-10]。
本文主要综述了在可穿戴设备的应用背景下，移动医疗及AI辅助的PGG技术在AF检测、筛查、整合管理等方面的应用现状进展。
1 基于PPG技术的可穿戴设备在AF检测中的应用
可穿戴设备包括手持式终端、手环/表、胸带、ECG贴、ECG背心等[11]。可穿戴设备可以通过ECG数据及PPG数据分析心脏电生理信号继而进行AF的诊断。近年来，使用PPG技术辅助的可穿戴设备进行AF诊断的研究结果显示，PPG数据与ECG数据之间存在高度相关性，可应用于AF的诊断。已有研究结果显示，当采集时间为10 s时，可穿戴设备单次检出AF的敏感性和阴性预测值分别为1.5%和66%，而在14 d内每天进行两次30 s心脏电生理信号采集，可穿戴设备检出AF的敏感性和阴性预测值增加到8.3%和67%[12]。这说明需要长程连续的心脏电生理信号采集才能提高AF的检出率。
本课题组设置的移动技术改善AF筛查及整合管理系列研究项目平台在全球范围内率先证明了PPG技术辅助可穿戴设备对AF进行检测和连续监测的可行性。基于该项目平台创建的移动AF应用程序（the mobile AF apps，mAFA）阶段Ⅱ（mAFA Ⅱ）的前期研究证实，搭载PPG技术的智能手环单次检测AF的敏感性、特异性、阳性预测率、阴性预测率及准确率均超过94%[13]。继而，mAFA Ⅱ研究针对现实社区中的AF风险人群进行了AF检测，共招募了200例用户持续佩戴华为PPG手环/手表，经过14 d的持续监测后结果显示，本次研究中使用的可穿戴设备识别AF的准确率超过91%[14]。上述研究不仅证明了使用PPG技术支持下的可穿戴设备识别AF的可靠性，还发现AF检出时间与AF负荷有关，当AF负荷小于50%时，需要平均4 d的主动测量或者2 d的周期测量才能确诊AF[14]。因此，AF负荷较轻的患者需要更长时间、更频繁的监测数据作为支撑，才能确诊AF。
2 基于PPG技术的可穿戴设备在AF筛查中的应用
2005年Hobbs等[15]在英国开展的随机对照试验开启了针对社区人群的AF筛查。该研究发现，与脉搏检查相比，使用筛查设备组的老年人群中AF的检出率更高。而后，在全美开展的多中心随机对照研究和英国开展的单中心随机对照研究中[16]，开始使用手持式或单导联ECG等可穿戴设备在老年或其它高危人群中进行AF筛查。上述研究发现，与未使用筛查设备的受试者相比，使用筛查设备的受试者的AF检出率显著升高。然而，在检出的AF人群中并未观察到AF相关不良事件的发生率进一步降低。
PPG技术通过持续监测脉搏频率变化来识别阵发性AF或无症状AF。目前，已经有多个相关研究采用不同的感知设备及应用软件（application，APP）对AF进行筛查。2017年苹果公司发起心脏健康研究项目，在40万例受试者中，不规则脉搏的检出率为0.52%。随后，在这些检测到的不规则脉搏中，84%的受试者在完成ECG检查后被确诊为AF，苹果的心脏健康研究项目结果揭示了搭载PPG技术的可穿戴设备通过不规则脉搏检测AF的可行性[5]。mAFA II 筛查研究项目应用华为PPG手环/手表对18万例受试者进行AF筛查，PPG手环/手表对AF的检出率为87%，阳性预测值为91.6%。此外，mAFA II研究还发现，腕表、腕带佩戴的舒适性、信号质量、监测周期、监测方式与AF的检出率相关。周期测量较单次主动测量能更有效地筛查出AF；另外，持续2周以上的监测更有利于AF检出[17]。上述研究，为长期监测正常人群以防范AF的发生提供了简易可行的方法。随后，mAFA II研究项目中，1年以上长期随访队列显示，搭载PPG技术的可穿戴设备长期筛查项目中具有良好的稳定性和准确性[18]。
可穿戴设备—乐活（Fitbit）研发公司的心脏研究项目发现，可穿戴设备Fitbit的新型PPG软件算法可能有助于早期检测出未确诊的AF，但研究也发现该算法对受试者佩戴时的姿势要求较高，仅在受试者夜间佩戴不进行活动保持静止时，有较高的阳性预测值；而筛查受试者日常活动期间发生AF风险的有效性仍需进一步改进[19]。此外，冠状动脉疾病/慢性阻塞性肺病、高血压、衰老、收缩性心力衰竭、甲状腺疾病（coronary artery disease/chronic obstructive pulmonary disease；hypertension；elderly；systolic heart failure；thyroid disease，C2HEST）评分量表是在中国人群中建立的AF风险临床评分工具，已有多个队列研究证实其预测AF的准确性[20-23]，而将可穿戴设备与C2HEST评分结合后可以进一步提高靶向人群AF的检出率，进而实现早期干预AF的策略。
上述可穿戴设备的普及，展现了以消费者为主导的AF筛查的广阔前景。mAFA II扩展队列研究的4年随访结果显示，华为PPG手环/手表在大规模中国人群中AF检出率为0.4%， AF诊断准确率超过90%，且AF检出率逐年增加[24]。并且这一系列研究提供了支持搭载PPG技术的可穿戴设备对AF进行长期监测和管理的证据，补充了中国AF临床流行病学变化趋势资料，同时该研究也观察到AF发生的危险因素未能得到有效管理，包括：夜间睡眠呼吸暂停（obstructive sleep apnea，OSA）、肥胖、高血压、体力活动不足等，亟需改善健康管理模式。
3 AI辅助的PPG技术在AF预测中的应用
AI目前多应用在ECG信号的自动诊断领域。既往研究发现，基于12导联ECG信号的DL模型对AF自动诊断的准确率较高[25]。基于单导联ECG信号（如I导联）的深度AI模型，其自动诊断AF的能力与基于12导联ECG信号的诊断能力基本相同[26]。AI也可以应用于ECG数据分析，并预测AF的发生。Attia等[27]通过采集18.1万例患者的标准12 导联ECG数据，建立了具有较高的敏感性、特异性和准确率的预测AF发生的DL模型。随后，华为公司发起的心脏研究项目结果证实了基于PPG数据建立的ML模型比基于12导联ECG数据具有更好的AF预测效能[28]，该研究提示ML模型可以提前4 h预测AF发生[28]，这些技术的发展为AF的早期诊断和干预提供了契机。
4 PPG技术支持移动医疗在AF患者管理中的应用
4.1 PPG技术支持移动医疗在AF患者整合管理的应用
当前，临床指南推荐的“脑卒中预防、更好的症状管理、心血管危险因素及合并疾病治疗”（avoid stroke，better symptom management，cardiovascular risk and comorbidity management，ABC）整合管理路径中更加强调AF患者的个体化管理。经证实，患者遵守ABC整合管理路径后，可以降低不良预后；基于此，不少研究均探索了移动医疗在AF综合管理的应用前景[29-32]。基于移动技术的AF管理平台验证了移动医疗应用于AF专病管理的可能性。mAFA阶段I（mAFA I）研究在全球范围内首次将移动医疗技术应用于AF管理。该研究发现，与对照组相比，mAFA使用组的患者在AF知识储备、药物依从性、抗凝满意度及生命健康质量评分等方面均有显著提高[33]。随后，mAFA Ⅱ研究才开启了AF患者的整合管理[34]。mAFA系统可提供：① 智能动态血栓、出血风险评估；肝肾功能自动监测；智能推荐抗凝药物调整。② 联动搭载PPG技术的智能手环/手表后，监测AF发作。③ 形式丰富的医疗科普教育，包括针对患者的医疗常识教育文章、在线直播及可回放的教育视频、寻找AF诱因游戏、医患互动等，以帮助患者认知疾病、辅助患者自我管理。④ ABC整合管理路径。在此基础上，mAFA II的中期研究结果和一年以上随访队列证明了mAFA软件可以改善患者依从性[18-19]。目前，mAFA阶段III研究正在进行，该研究基于移动医疗为AF患者提供针对不同风险及治疗方式的更加个性化的管理。
4.2 移动医疗可改善AF患者依从性、优化抗凝治疗
移动医疗不仅可以评估患者的卒中风险，还可以促进患者的用药依从性，增加患者管理依从性。研究显示，移动医疗可为正在服用华法林的患者提供远程抗凝指导，有效地远程监测国际标准化比值（international normalized ratio，INR）变化，降低了患者出血事件的发生率[35]。当前随着新型口服抗凝药的广泛应用，移动医疗也可以进一步提高患者口服抗凝药物的依从性。一项来自我国的多中心研究发现，与对照组相比，佩戴具有服药提醒功能的智能手表的AF患者，完成12个月随访后，每个月的口服抗凝药天数大于80%的患者在全部患者中所占比例均超过90%，且随访期间均高于标准随访组[36]。此外，mAFA II研究中针对一年以上随访队列的记录，是全球首次评价AF患者使用移动医疗APP的依从性和持久性的研究，其结果证实了移动医疗支持下AF整合路径管理的可靠性[19]。另一项队列研究也证实，经华为智能手环筛查及医疗机构确诊的AF患者进入mAFA管理平台后80%脑卒中风险高危患者得到了有效的抗凝治疗[18]。
mAFA 应用还可以提供智能动态的血栓及出血风险评估，帮助AF患者优化抗凝治疗。研究结果显示：与基线相比，完成12个月随访后，出血高危患者［即心房颤动抗凝治疗出血风险评分系统（HAS-BLED）得分≥3分］的HAS-BLED出血评分显著降低；且合并使用非甾体抗炎药物、肾功能不全者，其INR等可纠正的出血风险因素显著下降；与对照组相比，mAFA使用组口服抗凝药物依从性明显增加，而大出血事件显著减少[37]。
4.3 PPG支持移动医疗可降低AF患者心血管不良事件发生率
mAFA II研究中期结果提示：相比于常规治疗组，mAFA组AF患者一级复合终点事件（一级终点事件为脑卒中/血栓、再入院率及死亡复合终点事件）和再入院率均明显降低；性别、年龄、AF类型、合并共病等亚组分析显示：mAFA使用组的一级终点事件发生率明显降低[38]。随后，mAFA II长期随访研究证实，移动医疗支持的AF管理不仅可有效降低心血管不良事件，并随着使用移动医疗时间延长，其降低不良事件的作用愈加明显。可见，PPG技术支持移动医疗的AF整合管理路径对降低心血管不良事件的发生、改善患者预后具有重要积极意义。
4.4 PPG支持移动医疗在高龄AF患者中的应用
AF是增龄性疾病，并常合并多种疾病。AF节律管理随访调查证实，54.4%的AF患者存在多共病（即合并患有两种以上慢性长期疾病）[35]。并且，AF患者合并多发疾病的数量和类型与患者的不良预后密切相关[39-40]。移动医疗常应用于年轻的受试者，但是否能为合并多种疾病的老年AF患者带来获益，是研究者当前关注的焦点。mAFA II研究中对多共病亚组的分析发现，与常规治疗组相比，mAFA使用组患者的一级复合终点事件（脑卒中/血栓、全因死亡及再入院率）发生率显著下降；再入院率也明显减少；mAFA使用组的急性冠脉综合征、未控制高血压、心衰等事件均降低。上述结果证实了移动医疗支持的ABC整合管理路径不仅可以有效帮助高龄及多共病AF患者进行自我管理，还能降低心血管不良事件[41]。
5 mAFA指南推荐、临床应用及卫生经济学评价
《2020欧洲心脏病学会心房颤动管理指南》和《2021亚太心律失常协会AF管理指南》引用并推荐了7项mAFA系列研究和AF 患者ABC管理路径，现已在临床广为应用。目前，逾300 万人群参与AF筛查，150 万人参与OSA监测，1万余例AF患者使用mAFA系统软件进行AF自我管理。
Luo等[42]首次使用马尔科夫模型对中国mAFA应用于AF的管理进行了卫生经济学评价，比较使用mAFA应用和常规治疗，结果证实了mAFA支持的AF整合管理，有着更优的成本效益，更低的增量成本效果比，具有更显著的经济效益优势。
6 展望
mAFA系列研究展示了AI及移动医疗辅助PGG技术在AF预警、诊断、管理中的应用前景，PPG的应用不仅能够有助于“高危”AF患者及时诊断、获得有效治疗，还有助于“低危”人群早期风险获知及干预，防患于未然。通过mAFA系列研究，将“被动健康管理模式”转变为“主动健康管理模式”，从而实现“上医治未病”，最终可以有效降低AF及其相关的并发症的发生率。总之，基于PPG技术的移动医疗辅助的主动健康管理模式变革是AF综合管理未来的发展方向，同时也会面临更多新的挑战。
重要声明
利益冲突声明：本文全体作者均声明不存在利益冲突。
作者贡献声明：邰美慧负责本研究文献统计、分析，并撰写文章；金至赓负责文章修改；王浩负责文献收集和整理；郭豫涛负责指导研究，文章审校。
0 引言
心房纤颤（atrial fibrillation，AF）是临床中最常见的快速性心律失常。截止到2017年，全球AF的患者约为376 0万人；到2050年，AF患病率预计增长将超过60%[1]。目前，我国的AF患者已经达到487万人，未来AF所带来的社会负担会越来越重。AF会增加脑卒中、心力衰竭和死亡的风险，全球疾病负担数据库显示，近10年AF导致的伤残调整生命年（患者因AF死亡或致残所损失的全部健康寿命年），增加了77%[1]。近十年，中国AF相关脑卒中患者增加了13倍[2]。AF具有阵发性和隐匿性，约1/3 的AF患者发作时无任何临床表现，称为无症状性AF。无症状AF与有症状AF患者发生死亡、脑卒中/血栓的风险相当[3]。10%~40%的AF患者无症状，直至发生脑卒中、心力衰竭等严重不良事件后才首次就诊，这些均增加了社会健康医疗成本[4]。因此，对AF进行早期诊断和对AF相关危险因素进行早期干预才能有效降低AF患者的发病率、相关不良事件发生率和死亡率。
随着可穿戴设备的应用普及，基于人工智能（artificial intelligence，AI）技术辅助的心脏电生理信号采集分析，如心电图（electrocardiogram，ECG）和光电容积脉搏波（photoplehysmography，PPG）技术，已经成为研究的热点。ECG信号因能直接反映心脏电生理过程，已成为心内科医生诊断AF的金标准。但，采集ECG数据需在体表贴附电极片、要求患者须主动参与且舒适性较差；普通ECG数据也只能反映AF患者的单次检测结果，不支持针对AF患者进行长程持续监测。而，PPG可以通过光电技术检测来连续反映由心脏活动引起的外周血管中血容量变化的信号，其测量方法具有便携性和舒适性等优点。目前， PPG技术已被广泛应用于可穿戴设备进行生理信号的连续监测，从而实现了对AF的诊断和预测[5-7]；此外，PPG还可以与移动医疗相结合，实现AF患者的远程管理。
AI 是计算机科学的一个分支，主要指机器和计算机系统模仿人类智力，以期实现像人类一样解决复杂问题的技术。目前，机器学习（machine learning，ML）是较广泛应用于心律失常智能诊断领域的AI技术。ML常见的类型包括有监督式ML和无监督式ML两种。有监督式ML指利用图像本身的特征和人工手动输入的标签对图片进行处理和学习，从而达到预测标签的目的，该类型多用于AF的诊断和预测；无监督式ML指仅输入有特征的图片，但并不指定标签，从而达到寻找隐藏结构的目的，主要应用于数据的分类管理。深度学习（deep learning，DL）是ML的一种特殊形式，其特点是构建类似人脑的神经网络[8]。这种模式的主要优点是可以灵活地理解复杂的数据，但其局限性主要在于需要大量的数据集提供训练和学习。在现有各种神经网络中，主要用于AF领域的是循环神经网络（recurrent neural network，RNN）和卷积神经网络（convolution neural networks，CNN）。 RNN常被用于建立预测模型，而CNN则常用于AI辅助的ECG波形分析[8-10]。
本文主要综述了在可穿戴设备的应用背景下，移动医疗及AI辅助的PGG技术在AF检测、筛查、整合管理等方面的应用现状进展。
1 基于PPG技术的可穿戴设备在AF检测中的应用
可穿戴设备包括手持式终端、手环/表、胸带、ECG贴、ECG背心等[11]。可穿戴设备可以通过ECG数据及PPG数据分析心脏电生理信号继而进行AF的诊断。近年来，使用PPG技术辅助的可穿戴设备进行AF诊断的研究结果显示，PPG数据与ECG数据之间存在高度相关性，可应用于AF的诊断。已有研究结果显示，当采集时间为10 s时，可穿戴设备单次检出AF的敏感性和阴性预测值分别为1.5%和66%，而在14 d内每天进行两次30 s心脏电生理信号采集，可穿戴设备检出AF的敏感性和阴性预测值增加到8.3%和67%[12]。这说明需要长程连续的心脏电生理信号采集才能提高AF的检出率。
本课题组设置的移动技术改善AF筛查及整合管理系列研究项目平台在全球范围内率先证明了PPG技术辅助可穿戴设备对AF进行检测和连续监测的可行性。基于该项目平台创建的移动AF应用程序（the mobile AF apps，mAFA）阶段Ⅱ（mAFA Ⅱ）的前期研究证实，搭载PPG技术的智能手环单次检测AF的敏感性、特异性、阳性预测率、阴性预测率及准确率均超过94%[13]。继而，mAFA Ⅱ研究针对现实社区中的AF风险人群进行了AF检测，共招募了200例用户持续佩戴华为PPG手环/手表，经过14 d的持续监测后结果显示，本次研究中使用的可穿戴设备识别AF的准确率超过91%[14]。上述研究不仅证明了使用PPG技术支持下的可穿戴设备识别AF的可靠性，还发现AF检出时间与AF负荷有关，当AF负荷小于50%时，需要平均4 d的主动测量或者2 d的周期测量才能确诊AF[14]。因此，AF负荷较轻的患者需要更长时间、更频繁的监测数据作为支撑，才能确诊AF。
2 基于PPG技术的可穿戴设备在AF筛查中的应用
2005年Hobbs等[15]在英国开展的随机对照试验开启了针对社区人群的AF筛查。该研究发现，与脉搏检查相比，使用筛查设备组的老年人群中AF的检出率更高。而后，在全美开展的多中心随机对照研究和英国开展的单中心随机对照研究中[16]，开始使用手持式或单导联ECG等可穿戴设备在老年或其它高危人群中进行AF筛查。上述研究发现，与未使用筛查设备的受试者相比，使用筛查设备的受试者的AF检出率显著升高。然而，在检出的AF人群中并未观察到AF相关不良事件的发生率进一步降低。
PPG技术通过持续监测脉搏频率变化来识别阵发性AF或无症状AF。目前，已经有多个相关研究采用不同的感知设备及应用软件（application，APP）对AF进行筛查。2017年苹果公司发起心脏健康研究项目，在40万例受试者中，不规则脉搏的检出率为0.52%。随后，在这些检测到的不规则脉搏中，84%的受试者在完成ECG检查后被确诊为AF，苹果的心脏健康研究项目结果揭示了搭载PPG技术的可穿戴设备通过不规则脉搏检测AF的可行性[5]。mAFA II 筛查研究项目应用华为PPG手环/手表对18万例受试者进行AF筛查，PPG手环/手表对AF的检出率为87%，阳性预测值为91.6%。此外，mAFA II研究还发现，腕表、腕带佩戴的舒适性、信号质量、监测周期、监测方式与AF的检出率相关。周期测量较单次主动测量能更有效地筛查出AF；另外，持续2周以上的监测更有利于AF检出[17]。上述研究，为长期监测正常人群以防范AF的发生提供了简易可行的方法。随后，mAFA II研究项目中，1年以上长期随访队列显示，搭载PPG技术的可穿戴设备长期筛查项目中具有良好的稳定性和准确性[18]。
可穿戴设备—乐活（Fitbit）研发公司的心脏研究项目发现，可穿戴设备Fitbit的新型PPG软件算法可能有助于早期检测出未确诊的AF，但研究也发现该算法对受试者佩戴时的姿势要求较高，仅在受试者夜间佩戴不进行活动保持静止时，有较高的阳性预测值；而筛查受试者日常活动期间发生AF风险的有效性仍需进一步改进[19]。此外，冠状动脉疾病/慢性阻塞性肺病、高血压、衰老、收缩性心力衰竭、甲状腺疾病（coronary artery disease/chronic obstructive pulmonary disease；hypertension；elderly；systolic heart failure；thyroid disease，C2HEST）评分量表是在中国人群中建立的AF风险临床评分工具，已有多个队列研究证实其预测AF的准确性[20-23]，而将可穿戴设备与C2HEST评分结合后可以进一步提高靶向人群AF的检出率，进而实现早期干预AF的策略。
上述可穿戴设备的普及，展现了以消费者为主导的AF筛查的广阔前景。mAFA II扩展队列研究的4年随访结果显示，华为PPG手环/手表在大规模中国人群中AF检出率为0.4%， AF诊断准确率超过90%，且AF检出率逐年增加[24]。并且这一系列研究提供了支持搭载PPG技术的可穿戴设备对AF进行长期监测和管理的证据，补充了中国AF临床流行病学变化趋势资料，同时该研究也观察到AF发生的危险因素未能得到有效管理，包括：夜间睡眠呼吸暂停（obstructive sleep apnea，OSA）、肥胖、高血压、体力活动不足等，亟需改善健康管理模式。
3 AI辅助的PPG技术在AF预测中的应用
AI目前多应用在ECG信号的自动诊断领域。既往研究发现，基于12导联ECG信号的DL模型对AF自动诊断的准确率较高[25]。基于单导联ECG信号（如I导联）的深度AI模型，其自动诊断AF的能力与基于12导联ECG信号的诊断能力基本相同[26]。AI也可以应用于ECG数据分析，并预测AF的发生。Attia等[27]通过采集18.1万例患者的标准12 导联ECG数据，建立了具有较高的敏感性、特异性和准确率的预测AF发生的DL模型。随后，华为公司发起的心脏研究项目结果证实了基于PPG数据建立的ML模型比基于12导联ECG数据具有更好的AF预测效能[28]，该研究提示ML模型可以提前4 h预测AF发生[28]，这些技术的发展为AF的早期诊断和干预提供了契机。
4 PPG技术支持移动医疗在AF患者管理中的应用
4.1 PPG技术支持移动医疗在AF患者整合管理的应用
当前，临床指南推荐的“脑卒中预防、更好的症状管理、心血管危险因素及合并疾病治疗”（avoid stroke，better symptom management，cardiovascular risk and comorbidity management，ABC）整合管理路径中更加强调AF患者的个体化管理。经证实，患者遵守ABC整合管理路径后，可以降低不良预后；基于此，不少研究均探索了移动医疗在AF综合管理的应用前景[29-32]。基于移动技术的AF管理平台验证了移动医疗应用于AF专病管理的可能性。mAFA阶段I（mAFA I）研究在全球范围内首次将移动医疗技术应用于AF管理。该研究发现，与对照组相比，mAFA使用组的患者在AF知识储备、药物依从性、抗凝满意度及生命健康质量评分等方面均有显著提高[33]。随后，mAFA Ⅱ研究才开启了AF患者的整合管理[34]。mAFA系统可提供：① 智能动态血栓、出血风险评估；肝肾功能自动监测；智能推荐抗凝药物调整。② 联动搭载PPG技术的智能手环/手表后，监测AF发作。③ 形式丰富的医疗科普教育，包括针对患者的医疗常识教育文章、在线直播及可回放的教育视频、寻找AF诱因游戏、医患互动等，以帮助患者认知疾病、辅助患者自我管理。④ ABC整合管理路径。在此基础上，mAFA II的中期研究结果和一年以上随访队列证明了mAFA软件可以改善患者依从性[18-19]。目前，mAFA阶段III研究正在进行，该研究基于移动医疗为AF患者提供针对不同风险及治疗方式的更加个性化的管理。
4.2 移动医疗可改善AF患者依从性、优化抗凝治疗
移动医疗不仅可以评估患者的卒中风险，还可以促进患者的用药依从性，增加患者管理依从性。研究显示，移动医疗可为正在服用华法林的患者提供远程抗凝指导，有效地远程监测国际标准化比值（international normalized ratio，INR）变化，降低了患者出血事件的发生率[35]。当前随着新型口服抗凝药的广泛应用，移动医疗也可以进一步提高患者口服抗凝药物的依从性。一项来自我国的多中心研究发现，与对照组相比，佩戴具有服药提醒功能的智能手表的AF患者，完成12个月随访后，每个月的口服抗凝药天数大于80%的患者在全部患者中所占比例均超过90%，且随访期间均高于标准随访组[36]。此外，mAFA II研究中针对一年以上随访队列的记录，是全球首次评价AF患者使用移动医疗APP的依从性和持久性的研究，其结果证实了移动医疗支持下AF整合路径管理的可靠性[19]。另一项队列研究也证实，经华为智能手环筛查及医疗机构确诊的AF患者进入mAFA管理平台后80%脑卒中风险高危患者得到了有效的抗凝治疗[18]。
mAFA 应用还可以提供智能动态的血栓及出血风险评估，帮助AF患者优化抗凝治疗。研究结果显示：与基线相比，完成12个月随访后，出血高危患者［即心房颤动抗凝治疗出血风险评分系统（HAS-BLED）得分≥3分］的HAS-BLED出血评分显著降低；且合并使用非甾体抗炎药物、肾功能不全者，其INR等可纠正的出血风险因素显著下降；与对照组相比，mAFA使用组口服抗凝药物依从性明显增加，而大出血事件显著减少[37]。
4.3 PPG支持移动医疗可降低AF患者心血管不良事件发生率
mAFA II研究中期结果提示：相比于常规治疗组，mAFA组AF患者一级复合终点事件（一级终点事件为脑卒中/血栓、再入院率及死亡复合终点事件）和再入院率均明显降低；性别、年龄、AF类型、合并共病等亚组分析显示：mAFA使用组的一级终点事件发生率明显降低[38]。随后，mAFA II长期随访研究证实，移动医疗支持的AF管理不仅可有效降低心血管不良事件，并随着使用移动医疗时间延长，其降低不良事件的作用愈加明显。可见，PPG技术支持移动医疗的AF整合管理路径对降低心血管不良事件的发生、改善患者预后具有重要积极意义。
4.4 PPG支持移动医疗在高龄AF患者中的应用
AF是增龄性疾病，并常合并多种疾病。AF节律管理随访调查证实，54.4%的AF患者存在多共病（即合并患有两种以上慢性长期疾病）[35]。并且，AF患者合并多发疾病的数量和类型与患者的不良预后密切相关[39-40]。移动医疗常应用于年轻的受试者，但是否能为合并多种疾病的老年AF患者带来获益，是研究者当前关注的焦点。mAFA II研究中对多共病亚组的分析发现，与常规治疗组相比，mAFA使用组患者的一级复合终点事件（脑卒中/血栓、全因死亡及再入院率）发生率显著下降；再入院率也明显减少；mAFA使用组的急性冠脉综合征、未控制高血压、心衰等事件均降低。上述结果证实了移动医疗支持的ABC整合管理路径不仅可以有效帮助高龄及多共病AF患者进行自我管理，还能降低心血管不良事件[41]。
5 mAFA指南推荐、临床应用及卫生经济学评价
《2020欧洲心脏病学会心房颤动管理指南》和《2021亚太心律失常协会AF管理指南》引用并推荐了7项mAFA系列研究和AF 患者ABC管理路径，现已在临床广为应用。目前，逾300 万人群参与AF筛查，150 万人参与OSA监测，1万余例AF患者使用mAFA系统软件进行AF自我管理。
Luo等[42]首次使用马尔科夫模型对中国mAFA应用于AF的管理进行了卫生经济学评价，比较使用mAFA应用和常规治疗，结果证实了mAFA支持的AF整合管理，有着更优的成本效益，更低的增量成本效果比，具有更显著的经济效益优势。
6 展望
mAFA系列研究展示了AI及移动医疗辅助PGG技术在AF预警、诊断、管理中的应用前景，PPG的应用不仅能够有助于“高危”AF患者及时诊断、获得有效治疗，还有助于“低危”人群早期风险获知及干预，防患于未然。通过mAFA系列研究，将“被动健康管理模式”转变为“主动健康管理模式”，从而实现“上医治未病”，最终可以有效降低AF及其相关的并发症的发生率。总之，基于PPG技术的移动医疗辅助的主动健康管理模式变革是AF综合管理未来的发展方向，同时也会面临更多新的挑战。
重要声明
利益冲突声明：本文全体作者均声明不存在利益冲突。
作者贡献声明：邰美慧负责本研究文献统计、分析，并撰写文章；金至赓负责文章修改；王浩负责文献收集和整理；郭豫涛负责指导研究，文章审校。