根据 4 月 13 日《npj Digital Medicine》在线发表的一项研究，使用经胸超声心动图 (TTE) 的深度学习模型可以预测患有活动性或隐匿性心房颤动 (AF) 的患者。

旧金山加利福尼亚大学的 Neal Yuan 博士及其同事使用基于视频的卷积神经网络模型创建了一种两阶段深度学习算法，该算法区分 TTE 是窦性心律还是房颤，然后预测哪一个 TTE窦性心律发生在最近经历过房颤的患者中。该模型接受了 111,319 个 TTE 视频的训练。

研究人员发现，在一个保留的测试队列中，该模型能够以高精度区分 AF 中的 TTE 和窦性心律中的 TTE(受试者工作特征曲线下面积 [AUC] 为 0.96;精确回忆曲线下面积[AUPRC]，0.91)。该模型预测窦性心律 TTE 中并发阵发性 AF 的存在(AUC，0.74;AUPRC，0.19)。在 10,203 个 TTE 的外列中，模型歧视仍然相似(AUC，0.69;AUPRC，0.34)。女性、年龄超过 65 岁或 CHA 2 DS 2 VASc 评分≥2 的患者的表现相似。模型性能优于使用临床危险因素、TTE 测量、左心房大小或 CHA 2 DS 2 VASc(AUC 分别为 0.、0.、0.63 和 0.61)。在将 TTE 模型与心电图 (ECG) 深度学习模型相结合的队列子集中，集成模型的性能优于单独的 ECG 模型(AUC，0.81 与 0.79)。

作者写道：“TTE 的深度学习可能会提供额外的机会，通过识别可能受益于更密集监测的患者来指导患者筛查隐匿性心房颤动。”