陸軍軍醫(yī)大學(xué) 生物醫(yī)學(xué)工程與影像醫(yī)學(xué)系，重慶 400038

引言

近年來(lái)，隨著廣大媒體對(duì)猝死事件的相繼報(bào)道，心源性猝死（Sudden Cardiac Death，SCD）受到的關(guān)注度越來(lái)越高，已經(jīng)成為研究的熱點(diǎn)。根據(jù)2019年8月國(guó)家心血管病中心發(fā)布的《中國(guó)心血管病報(bào)告2018》顯示，我國(guó)每年約有54.4萬(wàn)人死于SCD，是世界SCD死亡人數(shù)最多的國(guó)家[1]。而SCD中約有75%～80%由室顫引起[2]，已經(jīng)嚴(yán)重危害公共衛(wèi)生健康，所以及時(shí)有效地預(yù)防室顫發(fā)生成為降低死亡率的關(guān)鍵。我國(guó)應(yīng)急醫(yī)療救護(hù)極少在前往室顫現(xiàn)場(chǎng)的途中提供心肺復(fù)蘇指令。前期的研究指出從呼叫到救護(hù)車到達(dá)室顫現(xiàn)場(chǎng)的平均單程間隔為16 min（4～43 min）[3]。此外，交通擁堵、高層建筑、無(wú)電梯公寓和可調(diào)度醫(yī)療資源等因素直接決定了從接到急救電話到對(duì)患者第一次除顫的時(shí)間。而除顫每延遲1 min，成功率將下降7%～10%[4]。因此，除利用公共應(yīng)急醫(yī)療服務(wù)挽救室顫患者生命外，更好的方法則是對(duì)室顫發(fā)生進(jìn)行預(yù)測(cè)。

已有研究指出，通過(guò)心率變異性（Heart Rate Variability，HRV）特征可以預(yù)測(cè)室顫發(fā)生。2007年，Shen等[5]使用4個(gè)HRV特征預(yù)測(cè)室顫發(fā)生；Ebrahimzadeh等[6]使用23個(gè)心電特征提前13 min預(yù)測(cè)室顫。同時(shí)，臨床上已廣泛證實(shí)，一些心電圖（Electrocardiogram，ECG）形態(tài)學(xué)特征與室顫有關(guān)，如QRS時(shí)限、QT間期延長(zhǎng)、T波倒置等。而目前兩類特征對(duì)室顫預(yù)測(cè)結(jié)果的比較未見相關(guān)報(bào)道，本文旨在比較兩類不同特征對(duì)室顫預(yù)測(cè)能力的差異。

1 資料與方法

1.1 資料來(lái)源

ECG數(shù)據(jù)選自麻省理工心電公共數(shù)據(jù)庫(kù)[7]（MIT-BIH；http://ecg.mit.edu）與美國(guó)心臟學(xué)會(huì)（American Heart Association，AHA；https://www.heart.org）的付費(fèi)數(shù)據(jù)庫(kù)[8]。對(duì)照組來(lái)自MIT-BIH的正常竇性心律數(shù)據(jù)庫(kù)（NSRDB；n=18）與Fantasia數(shù)據(jù)庫(kù)（n=40）；室顫組分別來(lái)自MIT-BIH的SCD數(shù)據(jù)庫(kù)[9]（SDDB，n=23）、MIT-BIH的克萊登大學(xué)室性快速心律失常數(shù)據(jù)庫(kù)（CUDB，n=35）與AHA室顫數(shù)據(jù)庫(kù)（VFDB，n=20）。所有ECG記錄均采用第二導(dǎo)聯(lián)。

1.2 方法

1.2.1 建立數(shù)據(jù)庫(kù)

室顫選入標(biāo)準(zhǔn)：① 首次發(fā)生室顫，若一條記錄中發(fā)生2次或2次以上室顫則只選擇第一次室顫；② 室顫前連續(xù)搏動(dòng)大于5 min；③ 室顫持續(xù)時(shí)間大于10 s。共排除19條心電記錄，其中SDDB中3條記錄沒有發(fā)生室顫，2條記錄無(wú)法確定室顫發(fā)生時(shí)間；AHA中1條記錄不能確定首次發(fā)生室顫時(shí)間；CUDB中有13條記錄沒有發(fā)生室顫。最后，共選擇59條室顫ECG記錄，58條健康ECG記錄。入選ECG記錄的基本描述，見表1。

表1 入選ECG記錄的基本描述

1.2.2 數(shù)據(jù)截取

室顫組：將最后一個(gè)可識(shí)別的R峰定義為室顫的分界點(diǎn)，記錄為室顫前第1 min。分別從室顫前第1 min與第5 min向前截取1 min的心電數(shù)據(jù)，即0～1 min與5～6 min。對(duì)照組：將開始記錄點(diǎn)定義為第1 min，按照室顫組標(biāo)準(zhǔn)截取數(shù)據(jù)。選取第1 min的心電作為訓(xùn)練集，第5 min數(shù)據(jù)段作為測(cè)試集。

1.2.3 預(yù)處理與特征計(jì)算

首先，使用4階IIR Butterworth帶通濾波器（0.3～100 Hz）去除高頻噪聲和基線偏移[10]，采用50 Hz陷波濾波器消除工頻干擾，將所有信號(hào)統(tǒng)一重采樣至1000 Hz。使用Pan-Tompkins算法進(jìn)行R波識(shí)別[11]。使用基于最小均方差陷波濾波器獲得P、Q、S、T波[12]。最后對(duì)上述所得波形進(jìn)行校正。

所選形態(tài)學(xué)特征與HRV特征的計(jì)算方法分別采用《2009 AHA/ACC/HRS關(guān)于心電圖標(biāo)準(zhǔn)化和解釋的科學(xué)聲明建議》[13]與《歐洲心臟病學(xué)會(huì)和北美起搏和電生理學(xué)學(xué)會(huì)（1996）專家組心率變異性測(cè)量、生理解釋和臨床應(yīng)用標(biāo)準(zhǔn)》[14]中推薦Houshyarifar等[15]已公開發(fā)表文獻(xiàn)中的算法。本研究所用特征的定義和計(jì)算公式，見表2。為避免特征數(shù)量級(jí)與單位對(duì)預(yù)測(cè)結(jié)果的影響對(duì)所有特征歸一化處理。

表2 本研究所用特征的定義和計(jì)算公式

1.2.4 特征篩選

由于特征不滿足正態(tài)分布，采用Wilcoxon秩和檢驗(yàn)比較兩組間特征的差異。采用Pearson相關(guān)性分析檢驗(yàn)相關(guān)性。利用受試者特性曲線下面積（Area Under Receiver Operating Characteristic Curve，AUC）評(píng)估各特征的預(yù)測(cè)能力，并通過(guò)Z檢驗(yàn)進(jìn)行比較。P<0.05認(rèn)為差異具有統(tǒng)計(jì)學(xué)意義。在預(yù)實(shí)驗(yàn)中兩類特征共計(jì)算得到16個(gè)，對(duì)Wilcoxon秩和檢驗(yàn)結(jié)果和預(yù)測(cè)能力分別進(jìn)行排序后，各選取5個(gè)具有代表性和預(yù)測(cè)性的特征。選取標(biāo)準(zhǔn)如下：① Pearson相關(guān)性檢驗(yàn)P>0.05；② Wilcoxon秩和檢驗(yàn)P<0.05；③ 受試者最大AUC>0.7[16]。

1.2.5 預(yù)測(cè)模型與評(píng)價(jià)指標(biāo)

使用邏輯回歸（Logistic Regression，LR）、反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）、支持向量機(jī)（Support Vector Machine，SVM）三個(gè)不同預(yù)測(cè)方法結(jié)合兩類特征對(duì)室顫進(jìn)行預(yù)測(cè)。

（2）SVM模型。本研究中模型選擇徑向基函數(shù)為核函數(shù)[18]，懲罰因子C=1和比例因子σ=0.03。較小的懲罰因子和比例因子，使支持向量機(jī)的風(fēng)險(xiǎn)函數(shù)對(duì)較大的訓(xùn)練數(shù)據(jù)有解。

（3）BPNN模型。該BPNN由三層網(wǎng)絡(luò)構(gòu)成，包括輸入層、隱含層和輸出層[19]。輸入層的節(jié)點(diǎn)數(shù)量與特征的數(shù)量相同，輸出層由兩個(gè)節(jié)點(diǎn)組成。輸入和輸出節(jié)點(diǎn)都使用線性傳遞函數(shù)，隱含層使用Sigmoid函數(shù)。

（4）評(píng)價(jià)指標(biāo)。采用準(zhǔn)確度（Accuracy，Acc）、靈敏度（Sensitivity，Sen）、特異度（Specificity，Spe）和AUC值評(píng)估預(yù)測(cè)結(jié)果。TP為真陽(yáng)性，TN為真陰性，F(xiàn)N為假陰性，F(xiàn)P為假陽(yáng)性。使用SPSS 20.0軟件的χ2檢驗(yàn)比較不同特征預(yù)測(cè)結(jié)果Acc、Sen和Spe的差異，采用Z檢驗(yàn)比較AUC的差異。Acc、Sen和Spe計(jì)算公式如下。

2 結(jié)果

2.1 特征的統(tǒng)計(jì)學(xué)結(jié)果

圖1與圖2分別為形態(tài)學(xué)特征與HRV特征在對(duì)照組與室顫組第1 min的統(tǒng)計(jì)差異。形態(tài)學(xué)特征中，兩組間5個(gè)形態(tài)學(xué)特征在統(tǒng)計(jì)學(xué)上均有顯著差異（P<0.0 5），其中QT離散度（對(duì)照組=185.086±142.030，室顫組=547.525±456.356）、R波時(shí)限（對(duì)照組=62.792±14.463，室顫組=120.397±43.735）和T波倒置（對(duì)照組=3.724±13.743，室顫組=22.152±23.906）有極顯著性差異（P<0.01）；P波幅度（對(duì)照組=0.090±0.068，室顫組=0.163±0.166）與RS段降肢均方差（對(duì)照組=3.345±8.051，室顫組=9.211±11.335）有顯著性差異（P<0.05）。室顫組的形態(tài)學(xué)特征離散度較高，標(biāo)準(zhǔn)差均大于對(duì)照組。此外，兩組間差異最大的特征為T波倒置，室顫組發(fā)生T波倒置個(gè)數(shù)（22.152±23.906）約為正常組（3.724±13.743）的6倍。

圖1 形態(tài)學(xué)特征的組間差異

HRV特征中，相鄰RR間期差值均方根（對(duì)照組=59.086±45.457，室顫組=180.282±405.526）、RR間期極差（對(duì)照組=344.189±256.655，室顫組=677.813±1586.226）與AE（對(duì)照組=0.223±0.119，室顫組=0.346±0.192）在統(tǒng)計(jì)學(xué)上有差異（P<0.05），且離散度較高。SvdE（對(duì)照組=2.021±0.157，室顫組=2.124±0.204）與分型維度（對(duì)照組=1.380±0.116，室顫組=1.400±0.157）沒有統(tǒng)計(jì)學(xué)差異。其中，相鄰RR間期差值均方根在兩組間差異最顯著，室顫組（180.282±405.526）約為對(duì)照組（59.086±45.457）的3倍。

圖2 HRV特征的組間差異

2.2 單個(gè)特征預(yù)測(cè)能力比較

圖3與圖4分別為本研究所有使用的形態(tài)學(xué)特征與HRV特征在兩個(gè)時(shí)間點(diǎn)的AUC值。在第1 min時(shí)，除P波幅度與相鄰RR間期差值均方根兩個(gè)特征外，其余所有特征都表現(xiàn)出高預(yù)測(cè)能力（AUC>0.7）。其中，形態(tài)學(xué)特征中QT離散度、R波時(shí)限和T波倒置的AUC值均大于0.8，RS段降肢均方差也有較高的預(yù)測(cè)能力。HRV特征中，只有SvdE的AUC值大于0.8。計(jì)算得到形態(tài)學(xué)單個(gè)特征的AUC平均值（0.818±0.100）大于HRV特征的AUC平均值（0.756±0.080），但差異無(wú)統(tǒng)計(jì)學(xué)意義（P=0.359）。

圖3 兩類特征在室顫前第1 min的AUC值

圖4 兩類特征在室顫前第5 min的AUC值

在第5 min時(shí)，除了P波幅度與相鄰RR間期差值均方根兩個(gè)特征外，分型維度的AUC也下降到0.563，其余特征AUC仍大于0.7。形態(tài)學(xué)單個(gè)特征的AUC平均值（0.820±0.099）大于HRV特征的AUC平均值（0.718±0.107），但差異無(wú)統(tǒng)計(jì)學(xué)意義（P=0.198）。

此外，R波時(shí)限在兩個(gè)時(shí)間點(diǎn)上的AUC分別為0.952和0.940，在所有形態(tài)學(xué)特征中最高。SvdE是HRV特征中AUC最高的，分別為0.907和0.879。除P波幅度和QT間期離散度兩個(gè)特征外，其余所有特征在第5 min的AUC值均低于第1 min，均有下降趨勢(shì)。

2.3 多特征組合預(yù)測(cè)能力比較

表3為分別使用形態(tài)學(xué)與HRV特征在三種不同預(yù)測(cè)模型情況下的預(yù)測(cè)結(jié)果?？梢杂^察到，在使用相同特征、不同算法的預(yù)測(cè)結(jié)果中，使用形態(tài)學(xué)特征的LR算法（LR-Mor）預(yù)測(cè)結(jié)果最佳，Acc和Sen分別為96.5%和94.6%。使用形態(tài)學(xué)特征的SVM算法（SVM-Mor）和BPNN算法（BP-Mor）的Spe結(jié)果優(yōu)于LR-Mor算法，均達(dá)到100%。

表3 使用兩種特征對(duì)室顫的預(yù)測(cè)結(jié)果

在使用相同算法、不同特征時(shí)，使用形態(tài)學(xué)特征預(yù)測(cè)的Acc和Sen均優(yōu)于使用HRV特征的預(yù)測(cè)結(jié)果，且均有統(tǒng)計(jì)學(xué)差異（P<0.05）。使用形態(tài)學(xué)特征的預(yù)測(cè)結(jié)果為Acc=93.5%，Sen=87.4%，Spe=99.4%；使用HRV特征的預(yù)測(cè)結(jié)果為Acc=81.4%，Sen=72.4%，Spe=90.2%，組間對(duì)比P值分別為0.012、0.009和0.108。其中，使用SVM算法在兩種特征的預(yù)測(cè)結(jié)果差異最大（P<0.01）。在使用HRV特征時(shí)，BPNN-HRV的預(yù)測(cè)結(jié)果最佳（Acc=84.2%，Sen=76.8%，Spe=91.4%）。

3 討論

本研究利用公共數(shù)據(jù)庫(kù)計(jì)算室顫發(fā)生前心電數(shù)據(jù)的兩類不同特征，比較兩類特征對(duì)室顫的預(yù)測(cè)能力。結(jié)果顯示單個(gè)形態(tài)學(xué)特征的平均預(yù)測(cè)能力高于單個(gè)HRV特征，但沒有統(tǒng)計(jì)學(xué)差異。將同類特征組合后，使用相同預(yù)測(cè)算法預(yù)測(cè)室顫的結(jié)果時(shí)，形態(tài)學(xué)特征的優(yōu)于HRV特征，表明在特征組合后形態(tài)學(xué)對(duì)室顫的預(yù)測(cè)能力優(yōu)于HRV特征。

有研究表明，室顫前人體會(huì)出現(xiàn)一系列不同的癥狀，如心慌、乏力、煩躁不安、胸悶等，而這些癥狀的出現(xiàn)從心臟的電活動(dòng)中可以直接、迅速地觀察到[18]。另報(bào)道指出，在院前急救中多數(shù)室顫患者存在急性冠脈綜合征和急性心肌梗死[3]。本研究所選取的形態(tài)學(xué)特征與室顫的相關(guān)性均已得到臨床證實(shí)。一項(xiàng)長(zhǎng)期心臟病的隊(duì)列研究顯示，在30年隨訪結(jié)果中伴有R波時(shí)限延長(zhǎng)的人群發(fā)生SCD的概率是沒有該癥狀人群的2.9倍[20]。QT間期可直接反應(yīng)心室活動(dòng)。國(guó)內(nèi)外均有研究證實(shí)長(zhǎng)QT是健康人發(fā)生猝死的危險(xiǎn)因素，QTc間期大于530 ms發(fā)生SCD的風(fēng)險(xiǎn)增加[21-22]。在臨床上，T波倒置是心臟缺血的重要表現(xiàn)之一，T波倒置同時(shí)也是致死性和非致死性心臟病最常見的ECG異常。由于充血性心力衰竭，T波倒置的受試者住院的風(fēng)險(xiǎn)增加，伴有T波倒置的患者的突發(fā)心臟病和SCD風(fēng)險(xiǎn)是沒有T波倒置患者的2倍[23]。P波幅度增大可能引起交感神經(jīng)過(guò)度興奮，從而導(dǎo)致心率加快，增加發(fā)生室速或室顫的風(fēng)險(xiǎn)[24]。RS段降肢均方差可以側(cè)面反映心電信號(hào)出現(xiàn)Lambda波（λ波）[25]，該波型與原發(fā)性SCD有關(guān)已經(jīng)得到臨床證實(shí)。上述形態(tài)學(xué)特征均不會(huì)是突然出現(xiàn)的，而是心臟在早期已經(jīng)產(chǎn)生一定程度的病理性或器質(zhì)性變化，心電的形態(tài)學(xué)特征會(huì)隨著上述變化的出現(xiàn)發(fā)生改變，因此心電的形態(tài)學(xué)特征對(duì)室顫的預(yù)測(cè)能力較強(qiáng)。

HRV幾乎完全取決于自主神經(jīng)對(duì)竇房結(jié)的影響，主要反映副交感神經(jīng)的興奮情況，副交感神經(jīng)越興奮，心臟越穩(wěn)定，并不是心臟情況的直接反映[26]。并且交感神經(jīng)的興奮性或其他因素（如藥物），也會(huì)影響HRV的變化，因此不能將HRV的變化與心臟的情況混為一談。相較于長(zhǎng)程的HRV分析，短程的HRV分析對(duì)于心肌梗死早期患者的心律失常事件沒有預(yù)測(cè)價(jià)值[22]。在之前所有使用HRV分析預(yù)測(cè)室顫的研究中均使用最短1 min的HRV信號(hào)[6,9,15]，本研究為與上述研究保持一致，也使用1 min的ECG與HRV信號(hào)。但當(dāng)使用形態(tài)學(xué)特征預(yù)測(cè)室顫時(shí)可以極大地縮短所需信號(hào)長(zhǎng)度，這也間接的提前了可預(yù)測(cè)室顫的時(shí)間。結(jié)合本研究圖3與圖4的結(jié)果，室顫發(fā)生前1 min與間隔室顫發(fā)生前5 min的形態(tài)學(xué)的平均變化程度為0.002±0.0269，而HRV的變化程度為0.038±0.067，表明隨著時(shí)間的提前HRV特征的變化程度比形態(tài)學(xué)特征迅速，越接近室顫發(fā)生HRV的變化越明顯，但與之相反的同樣也導(dǎo)致隨著時(shí)間的提前HRV特征與正常人群的差異越小，所以導(dǎo)致其預(yù)測(cè)能力下降。因此，在本研究表3的結(jié)果中顯示，在同樣使用第5 min特征預(yù)測(cè)室顫時(shí)，HRV特征的預(yù)測(cè)結(jié)果沒有使用形態(tài)學(xué)特征預(yù)測(cè)結(jié)果好的重要原因之一。

為避免預(yù)測(cè)方法上帶來(lái)預(yù)測(cè)結(jié)果的差異，本研究使用三種預(yù)測(cè)算法比較兩類特征的預(yù)測(cè)能力?？梢杂^察到，三種預(yù)測(cè)算法的結(jié)論相同，形態(tài)學(xué)特征的預(yù)測(cè)結(jié)果優(yōu)于HRV特征的預(yù)測(cè)結(jié)果，尤其是SVM算法Acc、Sen和Spe的結(jié)果在統(tǒng)計(jì)學(xué)上均有顯著性差異。本研究的樣本數(shù)量總體上為小樣本預(yù)測(cè)，且SVM算法的優(yōu)勢(shì)在于小樣本預(yù)測(cè)，可以間接說(shuō)明預(yù)測(cè)結(jié)果的準(zhǔn)確性。另外，結(jié)果表明LR預(yù)測(cè)算法對(duì)形態(tài)學(xué)特征更加敏感，利用其計(jì)算簡(jiǎn)便的特點(diǎn)也可以縮短預(yù)測(cè)時(shí)間，將室顫的預(yù)警時(shí)間提前。

形態(tài)學(xué)特征預(yù)測(cè)室顫的優(yōu)勢(shì)還在于：① 在HRV特征計(jì)算過(guò)程中，當(dāng)出現(xiàn)早搏等異常波動(dòng)時(shí)HRV需要人為插值計(jì)算，而形態(tài)學(xué)特征不需要；② HRV特征的計(jì)算必須首先采集完整時(shí)長(zhǎng)的心電信號(hào)后才能得到，而形態(tài)學(xué)特征可以在心電采集的同時(shí)計(jì)算結(jié)果，做到邊采集邊預(yù)測(cè)；③ 除HRV的時(shí)域特征外，其余特征計(jì)算復(fù)雜，形態(tài)學(xué)特征計(jì)算簡(jiǎn)便；④ 用于預(yù)測(cè)室顫的形態(tài)學(xué)特征均有臨床意義，得到的預(yù)測(cè)結(jié)果對(duì)醫(yī)生診斷病情有益，而部分HRV特征沒有明確的臨床意義，如各類熵與分型維度。上述優(yōu)勢(shì)也為今后除顫器或其他醫(yī)療設(shè)備使用形態(tài)學(xué)特征更準(zhǔn)確、更簡(jiǎn)便的預(yù)測(cè)室顫提供了基礎(chǔ)。

4 結(jié)論

心電的形態(tài)學(xué)特征與HRV特征作為預(yù)測(cè)室顫的重要方法，越來(lái)越受到關(guān)注，并且在前期的研究中已經(jīng)驗(yàn)證了這些指標(biāo)的預(yù)測(cè)能力。本研究結(jié)果表明形態(tài)學(xué)特征的預(yù)測(cè)能力強(qiáng)于HRV特征，且任何單個(gè)特征的預(yù)測(cè)能力有限，聯(lián)合多個(gè)形態(tài)學(xué)特征可以更準(zhǔn)確地預(yù)測(cè)室顫的發(fā)生。