用智慧型手錶技術及時檢測心臟驟停
心源性猝死（Sudden cardiac death）占所有心血管疾病致死總數的近50%，通常由心臟驟停引起[1] 。美國院外心臟驟停的出院生存率僅為9.1%[1] 。因為除顫每延遲1分鐘，生存率就下降近18%[2] ，所以對心臟驟停的早期探查和救治可能意味著生死之別。然而，適合日常生活，並能提供準確、可行性資訊的監測技術是一種尚未得到滿足的關鍵臨床需求。
【柳葉刀-數位醫療】（ The Lancet Digital Health ） 近期發表一項研究，Roos Edgar及其同事[3] 開發了一種演算法，透過智慧型手錶的光電容積描記和加速度數據檢測心臟驟停。這一演算法效能非常好，在前瞻性驗證佇列中靈敏度達98%，特異度達99.9%。這項研究有高度的創新性。首先，雖然很多文獻研究了智慧型手錶數據對房性心律不整的檢測[4,5] ，但尚沒有嚴格的研究用智慧型手錶數據監測過心臟驟停。其次，本研究作者收集在心血管手術（如經導管主動脈瓣介入治療、除顫器植入和室性心動過速消融）誘導迴圈驟停期間穿戴智慧型手錶的病人數據，為演算法的開發和評估提供了可控環境。因為心源性猝死可能是高達50%心血管疾病患者的第一指征，所以使用這些數據是解決可用監測數據稀缺的創新性方案。第三，作者確定的基於低外周系統血流量狀態的演算法是簡潔且具有決定作用的。因此，該演算法廣泛地解決了迴圈驟停、室性心律不整和無脈性電活動的問題，而且該演算法具有透明性，這是大多人工智慧模型不能滿足的。
將本研究的技術整合到實踐中，可解決心臟驟停未滿足的需求。 對於有較高心臟驟停風險但無需植入除顫器的患者，這項技術可與智慧型手錶結合滿足患者更早期的需求。此外，該演算法能夠檢測無脈性電活動（pulseless electrical activity），而電流除顫器無法檢測這些電活動，這可能是未被註意到的心臟驟停中最常見的節律 [6] 。作者與當地公民救援網路建立了合作關系，這鼓勵了接下來的工作，即端到端響應系統的實施，這將在DETECT計畫的後續階段進行研究。該系統有效性的證明可能為先前已經報道的、促進早期響應的其他檢測技術的使用開啟新世界的大門，如用智慧喇叭或跌倒檢測監控網路攝影機進行的非接觸瀕死呼吸檢測[7] 。使用更大的數據集和多模式傳感器進行演算法最佳化可以提高檢測效能，甚至可以對心臟驟停進行上遊預測[8] 。
與任何創新性研究一樣，未來的研究可以從幾個方面開展。本研究的患者評估在可控環境中進行，研究人員協助其使用智慧型手錶。由於裝置、膚色、疾病表型和體位的變化，院外心臟驟停存在更大的訊號差異。訓練集中，心臟驟停事件的發生率高於真實世界，真實世界中這些事件少得多，而假陽性警報率為0.09（每100小時9次警報）或每天2.16次警報（即使在可控環境中），這可能成為佩戴者或響應網路的負擔。因此需仔細校準，以最大限度降低過高的假陽性風險，以及心理壓力或不當的響應活動可能對生活品質產生的潛在影響。最後，應謹慎尋找響應網路的最佳合作點，考慮所有利益相關方。這些不足並不會降低研究帶來的興奮，也為研究者的未來工作指明了道路。
據我們所知，這是第一項系統分析用智慧型手錶數據檢測心臟驟停的研究，該研究為用於心臟驟停的可穿戴技術的發展奠定了初步但堅實的基礎。我們熱切期待作者的後續工作，移除剩余障礙，改善心臟驟停生存鏈。 END
Sulaiman Somani, Albert J Rogers
AJR declares research support from National Institutes of Health (K23 HL166977) and the American Heart Association. SS declares no competing interests.
參考文獻 （上下滑動檢視）
1.Tsao CW Aday AW Almarzooq ZI et al.
Heart disease and stroke statistics-2023 update: a report from the American Heart Association.
Circulation. 2023; 147: e93-621
2.Drennan IR Lin S Thorpe KE Morrison LJ
The effect of time to defibrillation and targeted temperature management on functional survival after out-of-hospital cardiac arrest.
Resuscitation. 2014; 85: 1623-1628
3.Edgar R Scholte NTB Ebrahimkheil K et al.
Automated cardiac arrest detection using a photoplethysmography wristband: algorithm development and validation in patients with induced circulatory arrest in the DETECT-1 study.
Lancet Digit Health. 2024; 6: e201-e210
4.Strik M Ploux S Weigel D et al.
The use of smartwatch electrocardiogram beyond arrhythmia detection.
Trends Cardiovasc Med. 2023; (published online Jan 2.)
https://doi.org/10.1016/j.tcm.2022.12.006
5.Perez MV Mahaffey KW Hedlin H et al.
Large-scale assessment of a smartwatch to identify atrial fibrillation.
N Engl J Med. 2019; 381: 1909-1917
6.Tseng ZH Olgin JE Vittinghoff E et al.
Prospective countywide surveillance and autopsy characterization of sudden cardiac death: POST SCD study.
Circulation. 2018; 137: 2689-2700
7.Somani SS Narayan SM Rogers AJ
Artificial intelligence in cardiac electrophysiology.
in: Krittanawong C Artificial intelligence in clinical practice. Elsevier, San Diego, CA2024: 475-496
8.Lee H Yang H-L Ryu HG et al.
Real-time machine learning model to predict in-hospital cardiac arrest using heart rate variability in ICU.
NPJ Digit Med. 2023; 6: 1-10
中文轉譯僅供參考，所有內容以英文原文為準。
