Tạp chí Tim mạch học Việt Nam

Chi tiết bài viết

Mô tả chi tiết bài viết

Trang chủ
BÀI TỔNG QUAN. Số phát hành: Số 115 BỆNH RỐI LOẠN NHỊP TIM

Trí tuệ nhân tạo trong sàng lọc và quản lý rối loạn nhịp tim

Nguyễn Khiêm Thao: Trường Đại học Y Dược, Đại học Huế; Hoàng Anh Tiến: Trường Đại học Y Dược, Đại học Huế; Huỳnh Văn Minh: Trường Đại học Y Dược, Đại học Huế;
Xuất bản: tháng 6 30, 2025
Views: 78

Tóm tắt

Ngoài máy theo dõi nhịp tim lưu động (Holter ECG), một số loại thiết bị khác như đồng hồ thông minh, điện thoại thông minh và máy theo dõi tim cấy dưới da cũng góp phần giúp chẩn đoán và quản lý loạn nhịp tim được thuận tiện hơn. Tuy nhiên, việc xử lý lọc dữ liệu và phân tích lượng lớn dữ liệu điện tâm đồ (ECG) từ các thiết bị này không thể thực hiện thủ công mà cần sự trợ giúp của trí tuệ nhân tạo (AI).

Việc ứng dụng AI trong phân tích dữ liệu ECG và Holter ECG không chỉ giúp giảm khối lượng công việc của các bác sĩ phân tích ECG, mà còn hỗ trợ chẩn đoán nhanh hơn và chính xác hơn. Một số nghiên cứu cho thấy phân tích AI tự động kết hợp với các thông tin lâm sàng khác có thể gợi ý tiên lượng các biến cố tim mạch trên lâm sàng liên quan đến loạn nhịp tim và theo dõi đáp ứng điều trị hiệu quả hơn.

Công nghệ AI đã tiến bộ đáng kể và ngày càng được sử dụng nhiều hơn trong điều trị các rối loạn nhịp phức tạp, bao gồm rung nhĩ (RN) và nhịp nhanh thất (VT). Các nghiên cứu can thiệp triệt phá loạn nhịp tim đã cho thấy việc áp dụng AI có thể giúp xác định các vùng loạn nhịp mục tiêu để triệt phá nhanh hơn, cải thiện kết quả can thiệp, rút ngắn thời gian can thiệp nhưng không làm tăng nguy cơ biến chứng.

Từ khóa
Trí tuệ nhân tạo rung nhĩ nhịp nhanh thất

Tài liệu tham khảo

1.
Fiorina L, Maupain C, Gardella C, et al. Evaluation of an Ambulatory ECG Analysis Platform Using Deep Neural Networks in Routine Clinical Practice. J Am Heart Assoc. 2022;11(18):e026196. doi:10.1161/JAHA.122.026196
2.
Perez MV, Mahaffey KW, Hedlin H, et al. Large-Scale Assessment of a Smartwatch to Identify Atrial Fibrillation. N Engl J Med. 2019;381(20):1909-1917. doi:10.1056/NEJMoa1901183
3.
Bahlke F, Englert F, Popa M, et al. First clinical data on artificial intelligence-guided catheter ablation in long-standing persistent atrial fibrillation. J Cardiovasc Electrophysiol. 2024;35(3):406-414. doi:10.1111/jce.16184
4.
Fox SR, Toomu A, Gu K, et al. Impact of artificial intelligence arrhythmia mapping on time to first ablation, procedure duration, and fluoroscopy use. J Cardiovasc Electrophysiol. 2024;35(5):916-928. doi:10.1111/jce.16237
5.
Guo Y, Wang H, Zhang H, et al. Mobile Photoplethysmographic Technology to Detect Atrial Fibrillation. J Am Coll Cardiol. 2019;74(19):2365-2375. doi:10.1016/j.jacc.2019.08.019
6.
Ford C, Xie CX, Low A, et al. Comparison of 2 Smart Watch Algorithms for Detection of Atrial Fibrillation and the Benefit of Clinician Interpretation: SMART WARS Study. JACC Clin Electrophysiol. 2022;8(6):782-791. doi:10.1016/j.jacep.2022.02.013
7.
Mannhart D, Lischer M, Knecht S, et al. Clinical Validation of 5 Direct-to-Consumer Wearable Smart Devices to Detect Atrial Fibrillation: BASEL Wearable Study. JACC Clin Electrophysiol. 2023;9(2):232-242. doi:10.1016/j.jacep.2022.09.011
8.
Johnson LS, Zadrozniak P, Jasina G, et al. Artificial intelligence for direct-to-physician reporting of ambulatory electrocardiography. Nat Med. 2025;31(3):925-931. doi:10.1038/s41591-025-03516-x
9.
Lee MS, Shin TG, Lee Y, et al. Artificial intelligence applied to electrocardiogram to rule out acute myocardial infarction: the ROMIAE multicentre study. Eur Heart J. 2025;46(20):1917-1929. doi:10.1093/eurheartj/ehaf004
10.
Choi JH, Song SH, Kim H, et al. Machine Learning Algorithm to Predict Atrial Fibrillation Using Serial 12-Lead ECGs Based on Left Atrial Remodeling. J Am Heart Assoc. 2024;13(19):e034154. doi:10.1161/JAHA.123.034154
11.
Kolk MZH, Ruipérez-Campillo S, Allaart CP, et al. Multimodal explainable artificial intelligence identifies patients with non-ischaemic cardiomyopathy at risk of lethal ventricular arrhythmias. Sci Rep. 2024;14(1):14889. Published 2024 Jun 27. doi:10.1038/s41598-024-65357-x
12.
Nakamura T, Aiba T, Shimizu W, Furukawa T, Sasano T. Prediction of the Presence of Ventricular Fibrillation From a Brugada Electrocardiogram Using Artificial Intelligence. Circ J. 2023;87(7):1007-1014. doi:10.1253/circj.CJ-22-0496
13.
Liu CM, Chang SL, Chen HH, et al. The Clinical Application of the Deep Learning Technique for Predicting Trigger Origins in Patients With Paroxysmal Atrial Fibrillation With Catheter Ablation. Circ Arrhythm Electrophysiol. 2020;13(11):e008518. doi:10.1161/CIRCEP.120.008518
14.
Seitz J, Durdez TM, Albenque JP, et al. Artificial intelligence software standardizes electrogram-based ablation outcome for persistent atrial fibrillation. J Cardiovasc Electrophysiol. 2022;33(11):2250-2260. doi:10.1111/jce.15657
15.
Tang S, Razeghi O, Kapoor R, et al. Machine Learning-Enabled Multimodal Fusion of Intra-Atrial and Body Surface Signals in Prediction of Atrial Fibrillation Ablation Outcomes. Circ Arrhythm Electrophysiol. 2022;15(8):e010850. doi:10.1161/CIRCEP.122.010850
16.
Asaeikheybari G, El-Harasis M, Gupta A, et al. Artificial Intelligence-Based Feature Analysis of Pulmonary Vein Morphology on Computed Tomography Scans and Risk of Atrial Fibrillation Recurrence After Catheter Ablation: A Multi-Site Study. Circ Arrhythm Electrophysiol. 2024;17(12):e012679. doi:10.1161/CIRCEP.123.012679

Tệp

Lượt xem bài78
Lượt xem tài liệu0
Lượt tải xuống0
Chuyên mục BÀI TỔNG QUAN.
Số phát hành Số 115
Category BỆNH RỐI LOẠN NHỊP TIM
Trang 12-17
Chủ sở hữu bản quyền 2025 Journal of Vietnamese Cardiology