人工智能在远程心电云平台辅助决策基层危急值心电图中的应用价值研究

doi:10.12114/j.issn.1007-9572.2021.01.411

中国全科医学 ›› 2022, Vol. 25 ›› Issue (11): 1363-1367.DOI: 10.12114/j.issn.1007-9572.2021.01.411

人工智能在远程心电云平台辅助决策基层危急值心电图中的应用价值研究

余新艳¹, 顾志乐², 张晓娟¹, 赵晓晔³, 张海澄^4,^*

¹750001　宁夏回族自治区银川市第一人民医院健康管理（体检）中心
²750001　宁夏回族自治区银川市第一人民医院大庙社区卫生服务站
³750021　宁夏回族自治区银川市，北方民族大学电气信息工程学院
⁴100044　北京市，北京大学人民医院心内科

收稿日期:2021-11-22 修回日期:2021-12-15 出版日期:2022-04-15 发布日期:2022-03-28
通讯作者: 张海澄
基金资助:
国家社科基金重大项目(18ZDA086-4);银川市科技创新重点重大专项(2021-SF-009);北方民族重点研发项目(2021JYCJ10)

Application of Artificial Intelligence Technologies in a Cloud-based Platform for ECG Analysis to Support the Diagnosis of a Critical Electrocardiography in Primary Care

YU Xinyan1，GU Zhile2，ZHANG Xiaojuan1，ZHAO Xiaoye3，ZHANG Haicheng4*

1.Health Management（Physical Examination）Center，the First People's Hospital of Yinchuan，Yinchuan 750001，China
2.Damiao Community Health Station，the First People's Hospital of Yinchuan，Yinchuan 750001，China
3.School of Electrical and Information Engineering，Northern Minzu University，Yinchuan 750021，China
4.Department of Cardiology，Peking University People's Hospital，Beijing 100044，China
*Corresponding author：ZHANG Haicheng，Chief physician；E-mail：haichengzhang@bjmu.edu.cn

Received:2021-11-22 Revised:2021-12-15 Published:2022-04-15 Online:2022-03-28

分享到

摘要/Abstract

摘要： 背景远程心电云平台对心血管疾病防治具有积极的底层支撑作用。在探索应用人工智能（AI）技术协同医生更好地判读心电图的同时，如何优化诊断流程、提高危急值心电图诊断时效性是研究者在远程心电云平台建设中必须关注和解决的问题。目的探讨AI在远程心电云平台辅助决策基层危急值心电图中的应用价值。方法选取2019年6月至2021年6月基层医疗卫生机构采集并上传至纳龙远程心电云平台的20 808份12导联静态心电图，同时经AI（AI组）诊断和专业心电图医生（医生组）诊断后，将符合危急值心电图诊断标准的心电图纳入危急值组，符合正常心电图诊断标准的心电图纳入正常组，结果虽异常但不符合危急值心电图诊断标准的心电图纳入阳性组。以医生组诊断结果作为金标准，统计AI组与医生组诊断的一致性、符合率及AI组诊断的灵敏度、阳性预测值，统计各组心电图诊断用时。结果AI组诊断的危急值组、阳性组、正常组心电图分别为619、15 634、4 555份；医生组诊断的危急值组、阳性组、正常组心电图分别为619、15 759、4 430份。AI组与医生组诊断具有强一致性〔Kappa值=0.984，95%CI（0.982，0.987），P<0.001〕；两组诊断符合率为99.4%；AI组诊断灵敏度为99.4%，阳性预测值为100.0%。危急值组、阳性组、正常组的诊断平均用时比较，差异有统计学意义（P<0.001），其中危急值组诊断平均用时较阳性组、正常组短（P<0.001）。结论AI应用于远程心电云平台中，不但可协助医生判读心电图，提高诊断的准确性，还可优化诊断流程，缩短危急值心电图诊断用时，有助于基层危急重症患者的救治。

关键词: 心血管疾病, 人工智能, 诊断技术, 心血管, 心电描记术, 远程心电云平台, 基层医疗机构, 诊断

Abstract: Background

The cloud-based platform for electrocardiography (ECG) analysis plays a supporting role in the prevention and treatment of cardiovascular diseases. During the construction of a cloud-based platform for ECG analysis, problems that should be focused and addressed are exploring ways to better use artificial intelligence (AI) technologies supporting ECG analysis, and improving the process and effectiveness of AI-aided diagnosis of a critical ECG.

Objective

To explore the use of AI technologies in a cloud-based platform for ECG analysis to support the diagnosis of a critical ECG in primary care.

Methods

The 12-lead resting ECGs (n=20 808) uploaded to Nalong Cloud-based ECG Analysis Platform by primary healthcare institutions were selected from June 2019 to June 2021. After being interpreted by AI-based algorithms and physicians, respectively, ECG findings were classified into critical group (critical ECGs) , normal group (normal ECGs) , and positive group (abnormal but not critical ECGs) . The results interpreted by the AI-based algorithm were compared with those interpreted by physicians (defined as the gold standard) to assess the diagnostic agreement and coincidence rate between AI-based and physician-based interpretations, and to assess the diagnostic sensitivity, and positive predictive value of AI-based interpretation. And the mean time for making diagnoses of three groups of ECGs was calculated.

Results

By the AI-based interpretation, 619, 15 634 and 45 55 ECGs were included in the critical, positive, and normal groups, respectively. And by the physician-based interpretation, 619, 15 759 and 4 430 ECGs were included in the critical, positive, and normal groups, respectively. There was high agreement between AI-based and physician-based interpretation results of ECGs〔Kappa=0.984, 95%CI (0.982, 0.987) , P<0.001〕, with a diagnostic coincidence rate of 99.4%. The diagnostic sensitivity and positive predictive value of AI-based interpretation for ECGs was 99.4%, and 100.0%, respectively. The mean time for making diagnoses of critical ECGs, abnormal but not critical ECGs, and normal ECGs was statistically different (P<0.001) , the mean time of critical critical ECGs was shorter than normal ECGs and abnormal but not critical ECGs (P<0.001) .

Conclusion

AI technologies used in a cloud-based platform for ECG analysis could provide physicians with support for interpreting ECGs, which may contribute to improving the interpretation accuracy, optimizing the diagnostic process, shortening the time for diagnosing a critical ECG, and the treating of critical patients in primary care.

Key words: Cardiovascular Diseases, Artificial intelligence, Diagnostic techniques, cardiovascular, Electrocardiography, Remote electrocardiography cloud platform, Primary medical institutions, Diagnosis

中图分类号:

余新艳,顾志乐,张晓娟,等. 人工智能在远程心电云平台辅助决策基层危急值心电图中的应用价值研究[J]. 中国全科医学, 2022, 25(11): 1363-1367. DOI: 10.12114/j.issn.1007-9572.2021.01.411.

YU Xinyan, GU Zhile, ZHANG Xiaojuan, ZHAO Xiaoye, ZHANG Haicheng.

Application of Artificial Intelligence Technologies in a Cloud-based Platform for ECG Analysis to Support the Diagnosis of a Critical Electrocardiography in Primary Care [J]. Chinese General Practice, 2022, 25(11): 1363-1367.

图/表 4

图1 病例预警流程

Figure 1 Process of early warning of a critical ECG by the AI-based algorithm

图2 病例诊断流程

Figure 2 Process of the diagnosis of a patient with critical ECG supported by the AI-based algorithm

表1 AI组与医生组诊断一致性分析（例）

Table 1 Diagnostic agreement between AI-based and physician-based interpretation results of ECGs

AI组	医生组			总计
AI组	危急值组	阳性组	正常组	总计
危急值组	619	0	0	619
阳性组	0	15 634	0	15 634
正常组	0	125	4 430	4 555
总计	619	15 759	4 430	20 808

表2 心电图诊断用时及占比统计表

Table 2 Distribution of seven types of time durations for making diagnoses of critical ECGs，normal ECGs，and abnormal but not critical ECGs

	危急值组		阳性组		正常组
	例数（例）	占比（%）	例数（例）	占比（%）	例数（例）	占比（%）
≤2 min	86	13.89	0	0	0	0
>2~5 min	373	60.26	693	4.40	0	0
>5~8 min	128	20.68	1 418	9.00	0	0
>8~12 min	32	5.17	3 563	22.61	0	0
>12~20 min	0	0	8 120	51.53	716	16.16
>20~30 min	0	0	1 944	12.33	2 307	52.08
>30 min	0	0	21	0.13	1 407	31.76

参考文献 25

[1]	郑以军. 家庭医生团队综合干预2型糖尿病患者疗效观察[J]. 中国城乡企业卫生，2018，33（9）：115-117. DOI：10.16286/j.1003-5052.2018.09.047.
[2]	JORDAN P，MPASA F，TEN HAM-BALOYI W，et al. Implementation strategies for guidelines at ICUs：a systematic review[J]. Int J Heal Care Qual Assur，2017，30（4）：358-372. DOI：10.1108/ijhcqa-08-2016-0119.
[3]	杨森，石建伟，金花，等. 基层医疗机构全科医学管理者领导力研究进展[J]. 中国全科医学，2020，23（22）：2763-2767.DOI：10.1007/s00259-019-04373-w.
[4]	贾明权. 人工智能在军事领域的应用思考[C]. 成都市科协，成都市科学技术局. 2018成都人工智能发展论坛，2018.
[5]	王彦雨，高芳. 主要国家人工智能技术发展路线图规划模式及启示[J]. 中国科技论坛，2022（1）：180-188. DOI：10.13580/j.cnki.fstc.2022.01.022.
[6]	刘琪，谷笑颖. 医疗人工智能应用中的伦理困境及对策研究[J]. 医学与哲学，2019，40（21）：5-8.
[7]	王海星，田雪晴，游茂，等. 人工智能在医疗领域应用现状、问题及建议[J]. 卫生软科学，2018，32（5）：3-5，9.
[8]	中国心电学会危急值专家工作组. 心电图危急值2017中国专家共识[J]. 临床心电学杂志，2017，26（6）：401-402.
[9]	全军心血管专业委员会心脏无创检测学组，《心电图诊断术语规范化中国专家共识（2019）》编写专家组. 心电图诊断术语规范化中国专家共识（2019）[J]. 实用心电学杂志，2019，28（3）：161-165. DOI：10.13308/j.issn.2095-9354.2019.03.002.
[10]	余新艳，马忠. 远程网络在公共卫生体系中价值的思考[J]. 中国医院院长，2020（14）：60-63.
[11]	王宏治，景显超. 远程心电诊断在分级诊疗中的应用[J]. 实用心电学杂志，2018，27（5）：348-350. DOI：10.13308/j.issn.2095-9354.2018.05.011.
[12]	VISVIKIS D，CHEZE LE REST C，JAOUEN V，et al. Artificial intelligence，machine （deep） learning and radio（geno）mics：definitions and nuclear medicine imaging applications[J]. Eur J Nucl Med Mol Imaging，2019，46（13）：2630-2637. DOI：10.1007/s00259-019-04373-w.
[13]	张寒. 公众理解视域下医疗AI的应用及治理[J]. 科普研究，2020，15（3）：20-27，109. DOI：10.19293/j.cnki.1673-8357.2020.03.004.
[14]	黄麒玮，王奕. 基于人工智能的精准预约对医疗企业预约的改进[J]. 广西质量监督导报，2018（11）：87-88.
[15]	袁紫藤，陶金婷，谈莹，等. 国内外医疗人工智能应用现状及相关政策[J]. 医学信息学杂志，2019，40（5）：1-9. DOI：10.3969/j.issn.1673-6036.2019.05.001.
[16]	郑阳. 医疗人工智能的关键技术及应用[J]. 医学信息，2021，34（2）：19-22.
[17]	HALCOX J P J，WAREHAM K，CARDEW A，et al. Assessment of remote heart rhythm sampling using the AliveCor heart monitor to screen for atrial fibrillation：the REHEARSE-AF study[J]. Circulation，2017，136（19）：1784-1794. DOI：10.1161/CIRCULATIONAHA.117.030583.
[18]	时慧，滕培娜，孟艳红，等. 93例心电图危急值报告的临床分析及应用[J]. 影像研究与医学应用，2017，1（14）：8-9.
[19]	CHO Y，KWON J M，KIM K H，et al. Artificial intelligence algorithm for detecting myocardial infarction using six-lead electrocardiography[J]. Sci Rep，2020，10（1）：20495. DOI：10.1038/s41598-020-77599-6.
[20]	杨瑶瑶. 人工智能背景下的移动医疗平台现状及展望[J]. 未来与发展，2020，44（2）：5-11.
[21]	XIONG H，LIANG M L，LIU J Z. A real-time QRS detection algorithm based on energy segmentation for exercise electrocardiogram[J]. Circuits Syst Signal Process，2021，40（10）：4969-4985. DOI：10.1007/s00034-021-01702-z.
[22]	吴非，王志，夏传真. 推进大数据与AI技术在医疗卫生系统应用的建议[J]. 中国发展，2020，20（2）：6-10. DOI：10.15885/j.cnki.cn11-4683/z.2020.02.003.
[23]	ALLAN T，PEDRO H A，JAIME C，et al. Artificial Intelligence in Medicine[M]. Germany：Springer，2022.
[24]	邰雪，赵天祺，孙亚茹，等. 人工智能在临床医学的新型优势[J]. 内蒙古医科大学学报，2021，43（3）：316-319. DOI：10.16343/j.cnki.issn.2095-512x.2021.03.028.
[25]	谈在祥，韩晓平，丁甜甜. 我国医疗人工智能的发展困境与对策[J]. 卫生经济研究，2020，37（6）：13-15. DOI：10.14055/j.cnki.33-1056/f.2020.06.023.

人工智能在远程心电云平台辅助决策基层危急值心电图中的应用价值研究

Application of Artificial Intelligence Technologies in a Cloud-based Platform for ECG Analysis to Support the Diagnosis of a Critical Electrocardiography in Primary Care

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 25

相关文章 15

编辑推荐

Metrics

留言

[1]	余新艳, 赵珺, 赵晓晔, 姜清茹, 陈雅田, 王艳, 张海澄. 移动智慧医疗在基层老年慢性病患者心血管病防控中的应用研究[J]. 中国全科医学, 2023, 26(33): 4167-4172.
[2]	马丽媛, 王增武, 樊静, 胡盛寿. 《中国心血管健康与疾病报告2022》要点解读[J]. 中国全科医学, 2023, 26(32): 3975-3994.
[3]	洪玉纯, 吴华, 杜宜珊, 李树然, 孙文民, 叶明喻, 张永建, 李阳. 全科医学诊断术语和编码研制及其应用的实证研究[J]. 中国全科医学, 2023, 26(31): 3896-3901.
[4]	潘姚佳, 王为强, 易伟卓, 高兵, 傅方琳, 韩正, 孙梦, 董雅勤, 顾怀聪. 不同性别中年肥胖居民三酰甘油葡萄糖乘积指数与心血管疾病高危风险的关系研究[J]. 中国全科医学, 2023, 26(29): 3628-3635.
[5]	陈静, 邹涛, 赵丹青, 肖子文, 吴献青, 中华医学会心身医学分会围产期精神障碍协作组. 围产期精神障碍筛查与诊治专家共识[J]. 中国全科医学, 2023, 26(28): 3463-3470.
[6]	何荣, 张丽, 李鹏, 张晓玲, 张国, 臧懿然, 吴寿岭, 孙丽霞. 有氧运动对不同血糖水平男性人群动脉僵硬度的即时影响研究[J]. 中国全科医学, 2023, 26(24): 2997-3004.
[7]	张允旭, 王婷婷, 魏俊伶, 邢燕云, 苏莉. 影响女性身心健康的新病症：持续性生殖器官兴奋紊乱/生殖器官-骨盆感觉障碍综合征的研究现状及专家共识解读[J]. 中国全科医学, 2023, 26(23): 2830-2835.
[8]	胡晓飞, 赵平, 曹廷华, 彭兰兰. 腹部脂肪含量及分布对急性胰腺炎及其重症的预测价值研究[J]. 中国全科医学, 2023, 26(21): 2614-2619.
[9]	沈俊希, 朱星, 陈云志, 李文. 肺部、肠道菌群及其相互作用与慢性阻塞性肺疾病发生发展的研究进展[J]. 中国全科医学, 2023, 26(20): 2548-2554.
[10]	陈龙, 曾凯, 李莎, 陶璐, 梁玮, 王皓岑, 杨如美. 人工智能算法偏见与健康不公平的成因与对策分析[J]. 中国全科医学, 2023, 26(19): 2423-2427.
[11]	郭天赐, 陈继鑫, 余伟杰, 刘爱峰. 人工智能在骨关节炎诊疗中的应用进展[J]. 中国全科医学, 2023, 26(19): 2428-2433.
[12]	赵丽珍, 李卫民, 姜瑞霞. 系统免疫炎症指数对社区老年2型糖尿病患者并发糖尿病肾病的临床诊断价值研究[J]. 中国全科医学, 2023, 26(18): 2227-2231.
[13]	任玉梅, 许敏, 叶梅蕾, 章秋, 胡红琳. 胰岛素受体底物2基因突变可能与青少年起病的成人型糖尿病有关：一例报道及其遗传学分析[J]. 中国全科医学, 2023, 26(18): 2301-2305.
[14]	王海, 王卓莉, 裴红红, 潘龙飞. 西安市2021—2022年跨年期间新型冠状病毒感染重症病例的危险因素分析及预测指标研究[J]. 中国全科医学, 2023, 26(17): 2132-2137.
[15]	沈惠文, 林永忠, 陈淑良, 张立红, 马春野, 马得原, 张策. 基于人工智能算法的脑卒中溶栓药物精准治疗：真实世界研究[J]. 中国全科医学, 2023, 26(17): 2070-2077,2088.