使用对称投影吸引子重构方法通过窦性心律心电图对阵发性心房颤动进行分类

这项心律研究为何重要

心房颤动是一种常见的心律问题，可能在不知不觉中增加中风和过早死亡的风险。一种令人困惑的形式称为阵发性心房颤动，发作来去无常、持续时间短，因此患者在就诊时可能得到完全正常的心电图。本研究提出了一个耐人寻味的问题：即便心电图看起来正常，是否仍携带计算机可识别的隐性节律指纹——这能否让患者免于数周不适的心律监测？

日常心电检查中的隐秘线索

医生通常通过在心电图上捕捉到发作来诊断心房颤动。对于发作短暂且不规则的人群，常规检查——甚至是 30 天便携监测——常常漏诊。研究团队探索了是否可以通过在心律正常时采集的短时 10 秒心电图，识别出有阵发性心房颤动病史的个体。如果可行，门诊或急诊的常规检查可能在不必等待下一次发作的情况下筛查出高风险患者。

把心跳变成几何形状

为寻找这些隐秘线索，团队使用了一种称为对称投影吸引子重构的信号处理方法。与关注医生常检的心电图标志性尖峰和波形不同，这种方法将整个重复的心跳视为随时间变化的模式。它在每个心搏的若干时点采样并将这些数值互相作图，将一维信号转化为二维的几何图像，称为吸引子。心电信号如何上升、下降以及搏动间的微小差异会以这些吸引子图形在形状、大小和密度上的差异呈现出来，即使原始心电图在肉眼下看起来正常。

训练计算机识别风险模式

研究人员利用了一个包含有确诊心房颤动发作者及严格匹配的无已知心律问题对照者（在年龄和性别上平衡）的公开大型心电图数据库。对于每个 10 秒的窦性心律记录，他们从 12 导联心电图生成吸引子图像，并将这些形状转换为数值摘要，描述点在不同方向和与中心距离处的聚集密度。这些摘要被输入到两种常见的机器学习方法中：一种基于数据集中最近邻来对新病例分类，另一种构建规则型的决策树。团队还考察了对实际应用重要的问题，例如哪一导联表现最佳以及常见门诊设备较低采样率是否会影响性能。

方法的效果如何

在多种参数组合中，最佳配置使用描述点沿圆周分布密度的吸引子特征、对 125 赫兹采样的心电图，并采用最近邻分类方法。在这些条件下，系统大约能在 81% 的时间正确区分有无阵发性心房颤动的个体。它在识别真正健康的对照者方面非常可靠（特异性约为 95%），但在发现所有受影响患者方面较为有限（敏感性约为 67%）。决策树方法将敏感性略微提高到约 73%，但牺牲了一部分避免误报的能力。重要的是，该方法只需 10 秒的窦性心律数据，其敏感性大约是早期研究中 30 天长期心电监测报告值的两倍左右。

谁能受益与尚待解决的问题

研究发现性能在不同年龄组间相对稳定，但在男性中的表现略优于女性，这可能反映了原始数据集的不平衡。某些患者存在的其他心脏疾病往往会降低准确性，记录的正常心律心电图与确诊心房颤动发作之间的时间间隔也似乎影响结果。这些发现表明，未来在更大、更具多样性的患者群体中开展研究——并仔细记录其他诊断和采集时间——可以进一步优化该工具并明确其最佳适用场景，例如门诊、急诊或可穿戴设备中。

迈向更早、更便捷的检测

对非专业读者来说，关键信息是：一次标准、快速的心电检查可能包含医生当前无法直观识别的更多信息。通过将看似正常的心跳转化为几何图案，并让算法在大量患者间比较这些形状，本研究表明仅凭数秒的窦性心律即可标记出有阵发性心房颤动病史的个体。尽管该方法尚未完美，但它为更快速、更舒适的筛查铺就了有希望的道路，有助于更早识别中风风险人群并指导谁应接受更密切的随访或预防性治疗。

引用: Creasy, S., Lip, G.Y.H., Tse, G. et al. Classification of paroxysmal atrial fibrillation using sinus rhythm electrocardiograms using the symmetric projection attractor reconstruction method. Sci Rep 16, 9705 (2026). https://doi.org/10.1038/s41598-026-37491-1

关键词: 心房颤动, 心电图, 机器学习, 心律, 早期检测