利用异步心电信号自动检测急性心肌梗死——基于智能手表获取的多通道心电图实施人工智能的预览：回顾性研究Journal of Medical Internet Research - Automated Detection of Acute Myocardial Infarction Using Asynchronous Electrocardiogram Signals—Preview of Implementing Artificial Intelligence With Multichannel Electrocardiographs Obtained From Smartwatches: Retrospective Study

摘要

背景： 当使用智能手表从多导联获取心电图(ECG)信号时，设备必须依次放置在身体的不同部位。从不同导联测量的心电信号是异步的。针对异步心电信号的人工智能(AI)模型几乎尚未被探索。

目的： 我们旨在开发一种使用异步心电图检测急性心肌梗死的人工智能模型，并将其性能与商业心电图分析软件提供的自动心电图解释进行比较。我们寻求评估在智能手表上实施基于多导联的人工智能心电图算法的可行性。此外，我们旨在确定具有足够诊断能力的最佳导联数量。

方法： 我们提取了1994年6月至2018年1月期间，Ajou大学医学中心急诊室就诊的20岁及以上患者的24小时内记录的心电图。心电图根据是否输入了对应急性心肌梗死的诊断代码进行标记。我们从标准12导联心电图报告中推导出异步心电导联集，并模拟了通过智能手表顺序记录心电导联的情况。我们构建了一个基于残差网络和自注意力机制的人工智能模型，在训练阶段随机屏蔽每个导联通道，然后使用各种目标导联集（剩余导联通道被屏蔽）测试该模型。

结果： 包含3个或更多导联的导联集性能优于商业心电图分析软件提供的自动心电图解释，当特异性相匹配时，敏感性提高了8.1%-13.9%。我们的结果表明，基于多导联的人工智能心电图算法可以在智能手表上实现。模型性能通常随着导联数量的增加而提高（12导联集：受试者工作特征曲线下面积[AUROC] 0.880；4导联集：AUROC 0.858，标准差0.008；3导联集：AUROC 0.845，标准差0.011；2导联集：AUROC 0.813，标准差0.018；单导联集：AUROC 0.768，标准差0.001）。考虑到测量额外导联所需的时间很短，为了最小化无法检测到特定空间位置或方向发生的急性心肌梗死的风险，至少需要测量3个导联——理想情况下超过4个导联。

结论： 通过开发用于检测急性心肌梗死的异步心电导联集人工智能模型，我们证明了基于多导联的人工智能心电图算法在智能手表上自动诊断心脏疾病的可行性。我们还证明了准确检测至少需要测量3个导联的必要性。我们的结果可作为开发其他人工智能模型的参考，这些模型使用通过智能手表顺序测量的异步心电导联来检测各种心脏疾病。

J Med Internet Res 2021;23(9):e31129

关键词

可穿戴设备；智能手表；异步心电图；人工智能；深度学习；自动诊断；心肌梗死；及时诊断；机器学习；数字健康；心脏健康；心脏病学

引言

可穿戴设备，简称为"可穿戴设备"，是集成到衣物和其他可以穿在身上或附着在身体上的配件中的智能电子设备或计算机[1]。由于人们对个性化健康管理、疾病预防和健身的兴趣日益增加，用于医疗服务的可穿戴技术的消费者采用率正在飙升[2,3]。其中一项技术是通过智能手表或其他便携式/手持设备连续/日常测量单导联心电图(ECG)[4-6]。这些设备通过将心电图测量的可用性扩展到医院外的普通人群，为促进及时诊断提供了新的机会。

智能手表和其他便携式/手持心电图设备在将2个电极检测器连接到身体的不同部位时测量单导联心电图[5]。然而，当仅评估单个导联时，可能忽略来自其他导联的有用信息[7]。通过测量多导联从不同空间位置分析心脏电活动对于准确和可靠地检测心脏疾病（如心肌梗死、肺栓塞和急慢性左或右心衰竭）是必要的[8,9]。因此，标准12导联心电图是医生评估心脏最常用的评估方法。

先前的研究已经探索了使用智能手表测量多导联心电图的可能性并描述了方法[9,10]。通过将智能手表依次放置在身体的不同部位，可以从智能手表获得多导联心电图（图1）。以这种方式测量时，来自不同导联的心电信号是异步的。也有报告评估了智能手表获取的多导联心电图与标准12导联心电图在检测缺血性心脏病相关状况方面的符合程度，当由医生阅读时[11-13]。

据我们所知，先前关于使用人工智能(AI)自动诊断或分类心电图的研究要么使用单导联心电图，要么使用同步多导联心电信号作为输入[14-19]。异步心电信号在人工智能模型开发中的应用在很大程度上尚未被探索。需要评估这种应用，以确保基于多导联的人工智能心电图模型可以在智能手表上实施。此外，需要验证从智能手表顺序记录的足够数量的导联，以确保人工智能心电图模型具有足够的诊断能力。

在本研究中，我们的目标是开发一种使用异步心电导联集检测急性心肌梗死的人工智能模型，然后将我们模型的性能与商业心电图分析软件提供的自动心电图解释进行比较。这样的模型可以证明智能手表上人工智能心电图算法的可行性。作为开发此类模型的先决条件，我们从标准12导联心电图报告中推导出异步心电信号，以模拟通过智能手表顺序记录心电导联的情况。此外，我们旨在通过在训练阶段随机屏蔽每个导联通道，并使用各种目标导联集（屏蔽剩余的导联通道）验证/测试我们的模型，来找到足够的诊断能力的最佳导联数量。

图1. 从智能手表测量多导联心电图(ECG)的示例。通过将智能手表依次放置在身体的不同部位，可以从智能手表获得多导联心电图。该图描绘了依次测量导联I、II、V1和V4的示例。导联I可以通过将智能手表戴在左手腕上并将右食指放在表冠上来记录。然后，在将智能手表从左手腕取下后，导联II可以通过将智能手表戴在左下腹部并将右食指放在表冠上来记录。接下来，导联V1和V4可以分别通过将智能手表戴在右胸骨边缘第四肋间隙和锁骨中线第五肋间隙，并在两种情况下将右食指放在表冠上来记录。

方法

伦理批准

Ajou大学医院机构审查委员会批准了本研究（方案AJIRB-MED-MDB-20-597），并免除了知情同意要求，因为仅回顾性使用了匿名数据。

数据样本和标记

我们使用了从韩国三级教学医院Ajou大学医学中心(AUMC)的通用电气(GE)心电图机器收集的标准12导联心电图报告。这些AUMC的心电图报告最初以PDF格式存在并存储在数据库中。到目前为止，心电图数据库包含从1994年6月到2018年1月收集的447,445名患者的1,039,550份心电图。先前的研究从这些报告中提取了原始波形、人口统计信息以及GE Marquette 12SL心电图分析程序做出的心电图测量参数/自动心电图解释[20]。在这些报告中，每个导联持续时间为2.5秒，采样率为500 Hz。我们还从AUMC电子病历数据库收集了临床数据，如急诊室就诊时间或患者诊断。

对于我们的研究，我们识别并提取了1994年6月至2018年1月期间，20岁及以上患者每次急诊室就诊后24小时内记录的心电图。对于每次急诊室就诊，收集了住院期间做出的所有诊断。如果输入了国际疾病分类第十版(ICD-10)代码I21（急性心肌梗死）或I22（随后的ST段抬高和非ST段抬高），则将这些就诊的心电图标记为有急性心肌梗死。对于没有输入这两个ICD-10代码的就诊，将这些就诊的心电图标记为没有急性心肌梗死。

我们将数据分为训练/验证(80%)和独立保留测试(20%)集，然后进一步将训练/验证集分为训练(85%)和验证(15%)集。为了减少歧义，我们排除了那些急性心肌梗死(ICD-10代码I21或I22)注册时间要么为"空"（意味着注册时间未输入且因此未知）要么不在心电图测量后24小时内的患者。

模型开发后，我们将我们模型的性能与GE心电图分析程序提供的自动心电图解释的性能进行了比较。为了推导自动心电图解释检测急性心肌梗死的性能，我们以两种不同的方式对解释进行了分类。首先，如果解释包含以下三个短语中的至少一个："ACUTE MI"、"ST elevation"和"infarct"，则将自动心电图解释归类为心肌梗死。第二个分类标准包括第一个分类标准中的3个短语以及以下三个短语："T wave abnormality"、"ST abnormality"和"ST depression"。因此，我们从这两个类别中推导出两个不同的性能指标。

从心电图报告中推导异步导联集

多媒体附录1显示了AUMC使用的标准12导联心电图报告的示例。这些心电图报告整体上是异步的，但在分为4个子集（每个子集包含3个导联）时是同步的。心电图报告的x轴表示时间流动；左侧的波形比右侧的波形记录得更早。此心电图报告的总记录时间为10秒。在多媒体附录1中，导联I、II和III显示为比导联aVR、aVL和aVF早记录2.5秒，后者又比导联V1、V2和V3早记录2.5秒，而后者又比导联V4、V5和V6早记录2.5秒。

如前所述，可以从心电图报告中推导出异步心电导联集，以模拟通过智能手表顺序记录心电导联的情况。例如，由导联I、aVR、V1和V4组成的心电图报告的4导联子集是完全异步的。根据Einthoven定律和Goldberger方程，对于6个肢体导联（导联I、II、III、aVR、aVL和aVF），即使只有2个导联可用，也可以计算出剩余的4个导联[21,22]。在这里，我们通过在训练阶段随机屏蔽每个导联通道来训练/验证我们的AI模型，然后使用各种目标导联集（屏蔽剩余的导联通道）测试我们的模型，以确定足够的诊断能力的最佳导联数量。测试的导联集在多媒体附录2中指定。对于多导联集，我们在所有情况下都包括导联I，因为导联I是可以从智能手表测量的最基本的导联通道：通过将右食指放在表冠上而不从左手腕取下智能手表，可以测量导联I。4导联集、3导联集和2导联集中的导联通道完全异步。因此，4导联集中包含的导联通道是肢体导联中的导联I和II（由导联aVR、aVL和aVF计算得出）以及可以从心电图报告中推导出的所有可能的2个胸前导联组合，同时保持完全异步性。3导联集中包含的导联通道是肢体导联中的导联I和导联II（由导联aVR、aVL和aVF计算得出）以及1个胸前导联。2导联集中包含的导联通道是导联I以及导联II（由导联aVR、aVL和aVF计算得出）或1个胸前导联。我们还测试了2个单导联情况（导联I或II）。

研究的主要和次要目标

我们的主要目标是开发一种从异步心电信号检测急性心肌梗死的人工智能模型，该模型优于GE心电图分析程序提供的自动心电图解释。我们的次要目标是确定足够的诊断能力所需的最佳导联数量。模型性能使用以下统计量进行评估：受试者工作特征曲线下面积(AUROC)、精确率-召回率曲线下面积(AUPRC)、敏感性、特异性、阳性预测值(PPV)和阴性预测值(NPV)。

神经网络架构和训练

图2展示了我们研究中使用的神经网络模型的架构。该模型分为两个阶段：编码和自注意力。

图2. 神经网络架构的说明。编码阶段使用权重共享结构对每个导联通道进行编码。自注意力阶段捕获每个导联通道之间的关系。

编码阶段

该模型取自每个12导联心电图通道的2.5秒输入，从500 Hz下采样到250 Hz。每个导联在单独但权重共享的编码器中进行处理。编码器架构的详细信息总结在多媒体附录3中。编码器由16个残差块组成，每个块中有2个或3个一维卷积神经网络(CNN)层[23]。每个CNN层后跟一个批归一化层和ReLU激活函数。所有CNN层的核大小为7，使用"same"填充。在第一个残差块中，第一个ReLU激活函数的输出通过池化层连接到块的输出。在接下来的15个残差块中，每个块的输入和输出通过跳跃连接连接。CNN层以2或4个残差块为间隔应用步幅为2。CNN层的深度（特征数）每4个残差块增加一倍。例如，多媒体附录3中描述的"2,1,1"步幅意味着该块中有3个CNN层，这些CNN层的步幅分别为2、1和1。多媒体附录3中的"长度"和"深度"列是每个块输出的长度和深度。编码器最终输出的每个特征都被平均池化以获得长度=1。

自注意力阶段

为了捕获每个导联通道之间的关联，我们使用了由查询、键和值组成的多头自注意力模块。每个查询、键和值表示一个密集层，接收编码器的所有输出（即）[24]。我们计算查询与所有键的点积，并应用softmax函数以获得N×N注意力矩阵，其中N是导联通道的数量。在模型的训练阶段，为了确保泛化和适用于任何导联组合（例如，各种4导联、3导联、2导联和单导联集），我们在注意力矩阵上随机屏蔽每个导联通道。同时，在推理阶段，我们仅屏蔽特定目标导联以外的所有导联通道。例如，如果目标导联是I和V1，则在推理阶段屏蔽除导联I和V1以外的所有其他导联。任何导联组合都可以设置为目标导联。我们测试的具体组合在多媒体附录2中指定。获取注意力矩阵后，我们计算值与注意力矩阵的点积，使模型能够反映导联之间的关系。之后，所有多头的输出被连接并线性投影，使多头自注意力模块的最终输出维度变为512（与多头自注意力模块的原始输入相同）。

然后我们在将它们输入分类器之前展平导联通道的输出。分类器有2层密集层，将维度从6144（512 × 12）减少到1，后跟一个将急性心肌梗死概率（即）校准到0到1范围的sigmoid层。我们将数据分为训练/验证(80%)和独立保留测试(20%)集，然后进一步将训练/验证集分为训练(85%)和验证(15%)集。对于训练，我们使用批量大小为32和学习率为0.001的Adam优化器。我们还应用了权重衰减和几种数据增强技术，包括随机高斯噪声、时间缩放和信号屏蔽，以防止过拟合。为了调整超参数，我们使用验证数据集和广泛的实验设置（即12导联、4导联、3导联、2导联和单导联设置）。我们使用Pytorch库实现了该模型。

结果

数据集特征

从AUMC心电图数据库中，我们提取了1994年6月至2018年1月期间，20岁及以上患者每次急诊室就诊后24小时内记录的97,742名患者的183,982份心电图（图3）。应用排除标准后，我们在训练和验证数据集中纳入了76,829名患者的138,549份心电图，在测试数据集中纳入了19,109名患者的34,371份心电图。数据集特征总结在表1中。训练和验证数据集中标记为急性心肌梗死的心电图比例为1.78%，测试数据集为1.61%。

图3. 患者流程图。患者被分为训练和验证(80%)和测试(20%)数据集。ECG：心电图，ICD-10：国际疾病分类第十版。

表1. 数据集特征

模型性能

图4和图5显示了各种目标导联集的受试者工作特征(ROC)和精确率-召回率(PR)曲线。圆点表示GE心电图分析程序提供的自动心电图解释的性能。自动心电图解释的第一个分类标准的敏感性、特异性、PPV和NPV分别为0.579、0.866、0.066和0.992。自动心电图解释的第二个分类标准的相应值分别为0.765、0.647、0.034和0.996。包含3个或更多导联的导联集性能优于自动解释：其相应的ROC和PR曲线始终位于自动心电图解释对应圆点的上方。类似地，单导联集的性能比自动心电图解释差：相应的ROC和PR曲线位于自动心电图解释对应圆点的下方。对于2导联集，一些ROC和PR曲线位于自动心电图解释对应圆点的上方，一些位于下方，这意味着并非所有2导联集的性能都优于自动解释。

图4. 各种目标导联集的ROC曲线。左上角的图显示了根据导联数量的平均ROC曲线。实线表示平均ROC曲线，阴影区域表示ROC曲线的1个标准差。其余图表分别显示了12导联、4导联、3导联、2导联和单导联集的ROC曲线。在所有图表中，自动心电图解释的性能以圆点表示。AUROC：受试者工作特征曲线下面积；ROC：受试者工作特征曲线。

图5. 各种目标导联集的PR曲线。左上角的图显示了根据导联数量的平均PR曲线。实线表示平均PR曲线，阴影区域表示PR曲线的1个标准差。其余图表分别显示了12导联、4导联、3导联、2导联和单导联集的PR曲线。在所有图表中，自动心电图解释的性能以圆点表示。AUPRC：精确率-召回率曲线下面积；PR：精确率-召回率。

12导联、4导联、3导联、2导联和单导联集的平均AUROC分别为0.880、0.858（标准差0.008）、0.845（标准差0.011）、0.813（标准差0.018）和0.768（标准差0.001）。12导联、4导联、3导联、2导联和单导联集的平均AUPRC分别为0.314、0.225（标准差0.011）、0.210（标准差0.020）、0.171（标准差0.020）和0.138（标准差0.014）。这些值表明，随着导联数量的增加，平均AUROC和AUPRC也增加。12导联集与4导联集[导联I、II、V1、V5]与3导联集[导联I、II、V3]与2导联集[导联I、V6]与单导联集[导联I]的ROC曲线之间具有中位AUROC的AUROC比较通过DeLong检验在0.05显著性水平上均具有统计学意义[25]。12导联集与4导联集[导联I、II、V2、V5]与3导联集[导联I、II、V5]与2导联集[导联I、V3]与单导联集[导联I]的ROC曲线之间具有最高AUROC的AUROC比较也通过DeLong检验在0.05显著性水平上具有统计学意义。

当我们设置导联集的阈值以匹配自动心电图解释的第一个分类标准的特异性（特异性=0.866）时，12导联、4导联和3导联集与自动心电图解释相比，平均敏感性分别提高了13.9%、10.2%（标准差1.6%）和8.5%（标准差2.7%）（表2），同时保持NPV高于0.99。第二个分类标准（特异性=0.647）的结果显示，12导联、4导联和3导联集的敏感性平均提高了11.9%、9.8%（标准差1.2%）和8.1%（标准差1.5%）（表2），同时保持NPV高于0.99。当2导联集的阈值设置为匹配自动心电图解释的特异性时，2导联集的敏感性平均但不一致地略高于自动心电图解释。当特异性匹配时，单导联集的敏感性低于自动心电图解释。

表2. 当阈值设置为匹配自动心电图解释的第一个或第二个分类标准的特异性时，根据导联数量的平均敏感性、阳性预测值和阴性预测值

讨论

主要发现

在本研究中，我们通过在训练阶段随机屏蔽每个导联通道并使用各种目标心电导联集（屏蔽剩余的导联通道）测试模型，开发了一种检测急性心肌梗死的人工智能模型。首先，我们发现包含3个或更多导联的导联集性能优于GE心电图分析程序提供的自动心电图解释，当阈值设置为匹配自动心电图解释的特异性时，敏感性提高了8.1%-13.9%，ROC和PR曲线位于自动心电图解释对应圆点的上方。只有一些2导联集的性能优于自动心电图解释。当仅评估单个导联时，急性心肌梗死可能被漏诊；因此，可能忽略来自其他导联的有用信息。事实上，单导联集的性能比自动心电图解释差。

多导联心电图对于准确和可靠地检测心脏疾病，特别是急性心肌梗死是必要的。鉴于多导联心电图只能以异步方式通过智能手表获取，我们的结果表明，基于多导联的人工智能心电图算法可以在这些设备上实现。这种实施可以促进及时诊断，以增强医院外心血管疾病人群的预后并降低死亡率。

其次，我们发现模型性能通常随着导联数量的增加而提高（12导联集：AUROC 0.880；4导联集：AUROC 0.858，标准差0.008；3导联集：AUROC 0.845，标准差0.011；2导联集：AUROC 0.813，标准差0.018；单导联集：AUROC 0.768，标准差0.001）。使用智能手表，测量额外导联只需不到一分钟，而这样做的好处将大大超过风险。在紧急情况下，我们建议至少测量3个导联（即I、II和V5），理想情况下测量超过4个导联（即I、II、V2和V5），以最小化无法检测到特定空间位置或方向发生的急性心肌梗死的风险。

先前关于使用人工智能自动诊断或分类多导联心电图的研究使用了同步心电信号作为输入。这些研究的结果不足以评估基于多导联的人工智能心电图算法在智能手表上的可行性，因为只能从智能手表获取异步心电信号。据我们所知，我们的研究是第一个利用异步心电信号进行人工智能模型开发的研究。未来的研究可以致力于开发具有异步心电信号的人工智能模型，以检测除急性心肌梗死以外的心脏疾病，如心律失常或收缩功能障碍。

我们的研究具有重要的医学和经济影响。首先，我们的模型可以显著减少诊断时间，从而减少再灌注时间，即症状发作与再灌注之间的时间，这对疾病临床结果至关重要[26]。心电图是评估心肌梗死的常见第一诊断测试，应尽早获取[27]。传统上，笨重的心电图设备和需要训练有素的医生进行诊断要求将患者转移到医院，即使在紧急情况下也是如此。这种做法大大延迟了诊断时间，如果直接在现场进行诊断，将是最理想的。通过在智能手表上实施我们的模型，甚至在与急救服务接触之前就可以进行可靠的初步诊断，从而大大缩短从症状发作到诊断的时间。在获得初步诊断后，可以考虑地理因素和可用设施，迅速将患者分诊到最合适的治疗形式[26]。最终诊断应在到达适当设施后由训练有素的医生做出，但在我们的模型帮助下，整个过程所需的时间可以大大减少。我们的模型阳性结果的阈值可以改变，以平衡过度分诊和分诊不足。其次，我们的模型有潜力大大降低急性心肌梗死导致的死亡率和相关经济负担。诊断或治疗不及时会导致心肌损伤和死亡率增加。如果患者在症状发作后3小时内再灌注，心肌挽救程度最大[28]。冠状动脉再灌注每延迟30分钟，1年相对死亡率增加7.5%[29]。我们的模型可以通过促进及时诊断和再灌注来降低急性心肌梗死导致的死亡率。因此，也可以降低因急性心肌梗死导致的过早死亡而造成的生产力损失相关的经济成本，据估计，美国每年约为405亿美元[30]。第三，由于我们的研究表明基于多导联的人工智能心电图算法在智能手表上的可行性，它可以促进开发具有异步心电信号的人工智能模型，以检测除急性心肌梗死以外的心脏疾病，从而加速该领域的市场增长。

优势和局限性

我们的研究有几个优势。首先，我们的模型仅以心电图作为输入，不需要其他额外的临床数据。这意味着我们的模型在没有医疗从业者可用的真实世界实时环境中高度适用。智能手表是应用我们模型的唯一要求。其次，我们的模型理论上可以与所有智能手表一起实施，这进一步加强了我们研究在实际应用方面的适用性。也就是说，创建一个激活心电图硬件的移动软件应用程序，指导佩戴者如何测量导联，预处理测量的导联以满足我们人工智能模型的输入条件（例如，将心电图重采样到250 Hz，从每个导联截取2.5秒），并运行我们的AI模型，就足以实现在现实世界中的应用。我们相信，在移动应用程序开发人员的帮助下，开发这样的应用程序在技术上不会很困难。我们将此作为进一步研究的主题。第三，我们没有基于波形异常排除心电图。这意味着我们的模型适用于无论心电图异常如何的情况，从而大大增强了对现实世界环境的泛化能力。第四，我们的模型使用来自95,938名患者的172,920份心电图的非常大的数据集进行训练、验证和测试。足够大的数据集可以减少对训练集的过拟合，从而增加对其他数据集的泛化能力[31,32]。第五，如方法部分所述，我们的模型适用于任何导联组合（例如，各种4导联、3导联、2导联和单导联集）。这是因为在训练阶段，我们在注意力矩阵上随机屏蔽每个导联通道。因此，用户可以根据自己的偏好或情况选择任何导联组合。

然而，我们的研究也有一些局限性。首先，我们的标记方法可能存在问题。急性心肌梗死的诊断并不能确保患者在急诊室的初始心电图会显示出急性心肌梗死的明确迹象。因此，我们数据集中标记为急性心肌梗死的一些心电图可能不会明确显示急性心肌梗死的迹象。尽管如此，我们的模型表现出了高性能，我们的12导联集的AUROC为0.880。其次，12导联集并非完全异步。当分为4个子集（每个子集包含3个导联）时，心电图在子集间是异步的，而在子集内是同步的。因此，我们研究中可以组成完全异步导联集的最大导联数量为4。需要在未来的研究中评估使用5个或更多完全异步导联集测试的模型的诊断能力。第三，我们的模型不能被视为确认性测试。最终确认性诊断应在患者到达医院后由训练有素的医生做出。然而，通过我们的模型进行的初步诊断，即使在与急救服务接触之前，也可以考虑地理因素和可用设施，有效地将患者分诊以获得最合适的治疗形式。最后，我们的模型未在外部数据集上进行验证。在未来的研究中，应进行外部验证以确保我们的模型在新环境中的可靠性。

结论

总之，本研究通过开发一种使用异步心电信号检测急性心肌梗死的人工智能模型，展示了基于多导联的人工智能心电图算法在智能手表上自动诊断心脏疾病的可行性。我们还表明，为了准确检测，至少需要测量3个导联，理想情况下需要测量超过4个导联。我们的结果显示单导联集缺乏诊断性能。根据我们的结果，我们期待开发其他人工智能模型，使用从智能手表顺序测量的异步心电导联来检测各种心脏疾病。这些模型，连同我们的模型，可以促进及时诊断，以增强医院外各种心脏疾病人群的预后并降低死亡率。

致谢

本工作得到了韩国政府（科学技术信息通信部、产业通商资源部、保健福祉部和食品药品安全部）资助的韩国医疗设备开发基金赠款（项目编号1711138152，KMDF_PR_20200901_0095）的支持。本研究还得到了2021年延世大学医学院新教师研究种子资金赠款（2021-32-0044）的支持。我们感谢延世大学医学院医疗研究支持服务的医疗插图与设计部门为本工作提供的所有艺术支持。

利益冲突

CH和HSL声明他们没有竞争利益。YS、YT、BTL、YL和WB是VUNO公司的员工。JHJ是Medical AI公司的员工。DY是BUD.on公司的员工。VUNO公司、Medical AI公司和BUD.on公司没有参与研究设计、分析、发表决定或手稿准备。没有要声明的专利、正在开发的产品或上市产品。

缩略语

AI：人工智能

AUMC：Ajou大学医学中心

AUPRC：精确率-召回率曲线下面积

AUROC：受试者工作特征曲线下面积

CNN：卷积神经网络

ECG：心电图

GE：通用电气

NPV：阴性预测值

PPV：阳性预测值

PR：精确率-召回率

ROC：受试者工作特征

【全文结束】