撰文/中國醫藥大學附設醫院 內科部暨心臟血管系 張坤正主任

心電圖檢查臨床使用率非常高 

中國醫藥大學附設醫院心臟血管系人工智慧（AI）的發展是由長佳智能黃宗祺執行長與心臟血管系張坤正主任共同合作開發。張坤正主任是中華民國心臟學會常務理事與中華民國心律醫學會理事，曾經擔任中華民國心臟學會電生理與節律器委員會主任委員，規劃與主持心臟學會心律不整相關學術與醫療業務，更在2015年榮獲歐洲心臟學會會士頭銜，為臨床診斷與治療心律不整疾病的權威醫師。 

心電圖（Electrocardiography, ECG/ EKG）是臨床上使用率非常高的一項常規性檢查，最常使用來判斷病人是否有心律不整的情形，正常的心律叫做竇性心律（Normal Sinus Rhythm），而心律不整除了成年人最常見的心房顫動（Atrial Fibrillation）之外，還有其他不同形態的分類，例如心房撲動（Atrial Flutter）、房性心動過速（Atrial Tachycardia）、房室傳導阻斷（AV Block）和心室性心搏過速（Ventricular Tachycardia）等，除此之外，心律不整可能合併其他的心 臟疾病：像ST段升高型急性心肌梗塞（Acute ST Elevation Myocardial Infarction, STEMI）、左心室肥大（Left Ventricular Hypertrophy, LVH）、完全右束支傳導阻滯（Complete Right Bundle Branch Block, CRBBB）等。

人工智慧心電圖判讀心房撲動心律不整

進階版的心電圖判讀靠AI輔助 

心房顫動的病人與一般人比較，有高達五倍的風險發生血栓梗塞疾病，包含腦中風、肺栓塞及周邊血管栓塞[1]。過去的研究也顯示罹患心房顫動的病人當中，持續性心房顫動的病人相較於陣發性心房顫動的病人有較高的中風發生率[2]，相較於陣發性心房顫動，持續性心房顫動的病人罹患中風後的預後較差，也有較高的二度中風風險，因此，心房顫動的發作型態和發作時間長短和中風風險有高度的相關性，也因此心電圖判讀不能只是有無心房顫動，需要進一步提升到整體心房顫動發作形態與期間（Atrial Fibrillation Burden）的判讀，而這種進階版的心電圖判讀，便需要靠AI輔助。

AI心電圖判讀系統可更精確診斷 

臨床上心電圖的判讀非常仰賴醫師的專業知識，因此，長佳智能和張坤正主任等專精心電圖的心臟科醫師合作，藉由重新再確認心房顫動與其他心律不整心電圖的波形、標記疾病後，再交給電腦學習專業醫師的診斷標準，電腦能夠透過大量醫師判讀的正確結果，學習心房顫動與其他各種心律不整心電圖的波形數據所代表的疾病，最終開發出一套AI心電圖判讀系統。目前系統已可透過AI模型判讀16種心電圖的波形，在AI門診透過臨床醫師的使用，可以重複確認與再學習，使AI心電圖判讀系統持續進步，提供更精確的診斷，做為第一線臨床醫師的輔助診斷參考。

參考資料

1.Peters NS, Schilling RJ, Kanagaratnam P, Markides V: Atrial fibrillation: strategies to control, combat, and cure. Lancet 2002, 359(9306):593-603.

2.Chen LY, Chung MK, Allen LA, Ezekowitz M, Furie KL, McCabe P, Noseworthy PA, Perez MV, Turakhia MP: Atrial Fibrillation Burden: Moving Beyond Atrial Fibrillation as a Binary Entity: A Scientific Statement From the American Heart Association. Circulation 2018, 137(20):e623e644.

資料來源 : 中國醫訊第189期