美国国立卫生研究院（NIH）支持的一项研究发现，在睡眠监测中记录的心电图（ECG）结合睡眠分期信息，可用于判断未来不良心脏事件的风险。该研究采用深度学习方法，提示利用心电图预测患者心脏相关不良结局的风险，可能有助于指导临床决策。相关论文发表在《Sleep》杂志上。

研究背景与方法

睡眠期间进行的整夜监测，即多导睡眠图（polysomnography），是诊断失眠和阻塞性睡眠呼吸暂停等睡眠障碍的标准方法，而这些睡眠障碍已被认定为心血管危险因素。在这些检查中会记录心电图，但通常未加分析。研究团队希望探究这些记录能否用于预测10年心血管结局风险，包括心房颤动、卒中、心肌梗死、心力衰竭以及全因死亡。

研究人员应用了一个深度学习系统，使用来自睡眠研究的单导联心电图，并结合专家标注的睡眠分期数据。该模型在波士顿马萨诸塞总医院（Massachusetts General Hospital）的15,809名患者数据集上进行了微调，并在两个数据集上评估了性能：亚特兰大埃默里大学医院（Emory University Hospital）的9,810名患者和波士顿贝斯以色列女执事医疗中心（Beth Israel Deaconess Medical Center）的12,576名患者。结局数据来自电子健康记录。

主要发现

团队发现，该模型能够将人群划分为不同长期心血管风险水平的组别，得分较高者风险更高。在调整了年龄、性别、BMI、糖尿病和高血压等常见心血管危险因素，以及睡眠呼吸暂停严重程度、觉醒和睡眠效率等睡眠相关特征后，深度学习模型仍保持预测价值。该模型能够预测心房颤动、心力衰竭和全因死亡。

科学家认为，需要对该模型进一步优化，以确定其对心肌梗死和卒中的预测能力。总体而言，他们发现从睡眠研究的心电通道预测心血管结局是一种有前景的方法。

“重要的是，我们发现加入深度学习模型的评分后，对心脏结局的预测超越了已确立的危险因素，”研究作者、埃默里大学医学院生物医学信息学系主任、佐治亚理工学院生物医学工程教授Gari Clifford（D.Phil.）表示。“将这些评分纳入睡眠研究，在改善心血管疾病早期检测、确定最高风险人群以及更积极主动的患者护理方面具有巨大潜力。”

此外，该方法仅使用一个心电图导联或电信号，比通常的12导联设置更容易采集。因此，它提供了一种在仅一晚睡眠中收集有用心电图数据的简单方法，通过简单、低成本的贴片即可高度普及。

来源：NIH News Releases（英文原文，生物航编译，内容以原文为准）