郭豫涛教授
在今年的ESC大会上，我们团队聚焦于房颤的综合管理，围绕mAFA、MIRACLE和AFFIRMO三项研究进行了汇报。
首先需要说明的是，房颤的整合管理并非一种药物，也非某种单一的治疗手段，而是一个系统性的管理框架。这一框架帮助临床医生按照ABC三条路径对患者进行规范化管理。
A路径，即抗凝管理，通过适配患者个体化风险及动态风险评估来实现精准抗凝。B路径，即症状管理，其核心在于通过更优化的症状控制，满足患者在真实生活中的实际需求。C路径，即风险管理，涵盖心血管风险与共病风险的综合管控。因此，整合管理不仅仅是抗凝管理，而是一个完整的策略框架。
无论是ABC路径，还是近期欧洲心脏病学会（ESC）发布的相关管理框架，抑或美国心脏协会（AHA）房颤管理指南中提及的相关策略，其本质上都指向了整合管理的理念。
郭豫涛教授
早期的可穿戴设备（如智能手表）主要实现心率监测功能，其本质仍是一个"监测器"。然而，随着可穿戴设备持续产生海量数据，我们需要将这些数据转化为真正的临床行动，并将行动转化为患者的依从性。
我在本次大会上分享的"Meet the Atrial Fibrillation Agent"这一报告，正是探讨可穿戴设备如何超越当前的监测功能，转向帮助医生和患者更好地利用数据，实现更有效的自我管理。
关于无症状短暂房颤与误报问题，首先需要厘清一个认知误区：短暂的无症状房颤并不等于没有风险，只是当前对其认识仍不够充分。在去年ESC会议上，我们团队分享了建立的房颤五维负荷模型。随着对房颤进展认识的不断深入，我们发现房颤进展的评估应当超越传统的时间维度。传统观点认为，房颤负荷即监测时段内房颤发生的时间占比，或最长单次房颤持续时间。而我们建立的房颤五维负荷模型从时间占比、发作频次、日间与夜间变异性、发作聚集特性以及心动过速负担等多个维度，更全面地评估房颤进展所带来的危害。
回到无症状房颤的话题，许多人本能地认为短暂无症状的房颤可能没有风险，但事实并非如此。约40%的房颤患者无明显症状，而其中约10%的首诊竟是因脑梗死就诊于神经内科。这恰恰说明我们对短暂无症状房颤的认知仍显不足。房颤五维负荷模型的建立，使我们有能力追踪房颤进展，并找到关键的干预截断点，从而实现更早期的干预，这正是我们团队正在推进的工作。
至于误报和信息过载问题，这确实是数字技术发展过程中必须面对的挑战。应对之道只有一条，也是一条需要扎实投入的路径：必须不断提升模型的准确性，严格以动态心电图等金标准进行对比验证，严谨地设计模型训练队列并开展外部验证。只有完成这些工作，最大限度地降低误报率，才能真实、可靠地反映房颤的进展情况。
郭豫涛教授
今年ESC上，我们分享了两项基于心脏功能的最新研究成果。其一是基于智能手表实现了居家环境下的血流动力学监测，即每搏输出量的估测；其二是实现了心功能风险的筛查，即对心输出量下降的识别，主要针对无症状或仅有轻度症状人群的风险筛查。这两项模型均在此次大会上进行了介绍和分享。
在模型构建方法上，我们首先在医院内招募患者，完成内部队列的建模与内部验证，随后在其他医院的外部队列中进行验证。针对连续动态的每搏输出量以及心功能风险的二分类变量，我们采用不同的模型评估指标进行验证，以确保能够客观评估并合理解释模型在真实世界中的应用价值。就心功能风险模型而言，其对心脏功能正常与否的判别准确性较高，AUC（曲线下面积）已达90%以上，尤其适用于社区层面开展心功能下降风险的筛查。当然，其后续的推广应用仍需在更大样本量的真实世界研究中进一步验证。
郭豫涛教授
这正是我们团队一直努力的方向。传统的房颤治疗模式往往是"事件驱动"的——患者发生房颤后到医院就诊，医生再予以治疗，本质上是一种被动应对。我们一直致力于推动主动管理的理念，即实现管理关口的前移。前置管理的前提是了解风险何时产生、进展后会导致怎样的后果。数字技术的快速发展，使我们有能力捕捉到这些细微的风险信号。
以阻塞性睡眠呼吸暂停为例，OSA本身是一个常见且独立的危险因素。事实上，中国人群中OSA的发生率高于美国人群，但OSA的诊断率严重不足。OSA同时也是房颤和高血压的独立危险因素。为此，我们采用了一种较新的深度学习方法——深度学习生存模型（Deep Learning Survival Model）。与传统模型相比，该模型的优势在于能够处理动态变化的连续变量数据，从而追踪OSA风险从中等风险向高风险进展过程中，究竟是哪些因素驱动了这一变化。借助数字技术和深度学习生存模型的算法支持，我们有望在不良事件发生之前，识别出风险演变的关键过程，从而为早期干预提供依据。
本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。
我要留言