在房颤期间，心脏的上腔室不规则跳动，与心室不同步。恢复规律心律可能需要强化干预，从电击心脏使其回到正常窦性心律，到移除负责错误信号的特定区域。如果能够足够早地预测房颤发作，将使患者能够采取预防措施以保持心脏节律稳定。然而，目前基于心率和心电图（ECG）数据分析的方法只能在房颤即将发生时检测到它，无法提供早期预警。
卢森堡大学卢森堡系统生物医学中心（LCSB）系统控制小组负责人豪尔赫·贡萨尔维斯教授解释道："相比之下，我们的工作采用了更具前瞻性的预测模型。我们使用心率数据训练了一个深度学习模型，可以识别不同阶段——窦性心律、房颤前期和房颤期——并计算患者即将发作的'危险概率'。当接近房颤时，该概率会增加，直到超过特定阈值，从而提供早期预警。"
这个名为WARN（房颤预警系统，Warning of Atrial fibRillatioN的缩写）的人工智能模型，在中国武汉同济医院收集的350名患者的24小时记录上进行了训练和测试，平均能在房颤开始前30分钟发出预警，准确率高达80%。与之前关于心律失常预测的研究相比，WARN是首个能在远离发作时间点提供预警的方法。
该研究的第一作者马里诺·加维迪亚博士强调："另一个有趣的方面是，我们的模型仅使用R-R间期（基本上只是心率数据）就能实现高性能，这些数据可以从易于佩戴且价格合理的脉冲信号记录器如智能手表获取。"加维迪亚博士在系统控制小组和博士培训单元CriTiCS工作期间进行了该项目。LCSB参与该项目的研究员亚瑟·蒙塔纳里博士补充道："这些设备可以由患者日常使用，因此我们的结果为开发来自舒适可穿戴设备的实时监测和早期预警打开了可能性。"
此外，研究人员开发的深度学习模型可以实现在智能手机上处理智能手表的数据。这种低计算成本使其非常适合集成到可穿戴技术中。长期目标是让患者能够持续监测自己的心律，并接收早期预警，从而有足够时间服用抗心律失常药物或使用一些针对性治疗来预防房颤发作。这将减少紧急干预并改善患者预后。
贡萨尔维斯教授总结道："展望未来，我们将专注于开发个性化模型。简单智能手表的日常使用不断提供有关个人心脏动态的新信息，使我们能够持续完善和重新训练该患者的模型，以实现更佳性能和更早预警。最终，这种方法甚至可能引领新的临床试验和创新治疗干预。"
【全文结束】