使用 Apple Watch 进行心律失常检测
超过view
Apple Watch 客户可以使用两种软件作为医疗设备功能来检测心律失常，例如心房颤动 (AF)：不规则节律通知功能 (IRNF) 和 ECG 应用程序。
在 Apple Watch Series 1 或更新机型上，IRNF 会分析光电体积描记器 (PPG) 传感器收集的脉搏率数据，以识别提示 AF 的不规则心律发作，并在检测到发作时向用户发送通知。 在 Apple Watch Series 4、Series 5 和 Series 6 上，ECG app 可以生成类似于 Lead I 心电图的心电图 (ECG) 波形，然后将该波形分类为窦性心律 (SR)、心房颤动 (AF)、心率高或低或不确定； 使用 ECG 2.0，可以使用具有高心率和不良记录的 AF 的其他分类。
本文详细介绍了这些功能的功能，包括测试和验证
介绍
房颤是一种不规则的心律，其中心房不规则地跳动，有时快速跳动，是中风的主要原因。 但由于 AF 通常无症状，许多 AF 患者可能不知道他们患有这种疾病。 中风风险、无症状表现、将中风风险降至最低的有效药物治疗以及具有检测 AF 潜力的消费设备不断增加的市场渗透率的结合，增加了对临床环境之外 AF 早期识别的兴趣。
使用 watchOS 5.1.2 或更高版本，Apple Watch Series 1 及更高版本能够使用 PPG 信号结合算法来识别提示 AF 的不规则脉搏周期。 除了使用这种基于 PPG 的识别算法之外，Apple Watch Series 4、Series 5 和 Series 6 还配备了心脏电传感器，当使用 ECG 应用程序时，可以生成和分析类似于 Lead I ECG 的 ECG。
基于 PPG 的心律失常检测
技术和功能描述
Apple Watch 有一个光学心脏传感器，它使用绿色 LED 灯和光敏光电二极管，使用光体积描记法检测用户手腕的血容量脉冲。 这些传感器和底层算法是 Apple Watch Series 1 及更新机型上启用的心率 (HR) 和心率变异性 (HRV) 检测的基础。 为了确定 HRV，Apple Watch 每两到四个小时捕获一次心率图（心跳之间的时间图）。 从 watchOS 5.1.2 开始，用户还可以选择启用使用这些转速图的心律失常检测功能。 要在 Apple Watch 上使用不规则节奏通知功能，用户必须首先在配对的 iPhone 上的“健康”应用程序中完成登录，以了解如何使用该功能并了解 AF。 有关用户体验的更多信息，请访问 support.apple.com/en-gb/HT208931.
如果启用了基于 PPG 的心律失常检测，Apple Watch 会使用专有算法对每个转速图进行分类，以确定是否可能存在不规则的心律。 不规则的航速图会启动更频繁的航速图收集（尽可能频繁，最少间隔 15 分钟）和分析的级联。 Apple Watch 仅在用户保持足够静止以获取读数时才收集和分析转速图。 因此，该算法并不总是监视用户，而是在有足够的信号可用于收集和分析时机会性地监视用户。 如果在 48 小时内，六个连续的速度图中有五个（包括最初的一个）被归类为不规则，则用户会收到潜在心律失常的通知。 除了接收通知外，用户还可以在 Health 应用程序中访问与这些不规则行车记录图相关的更多信息（图 1）。 如果在达到阈值之前将两个转速图归类为非不规则，则循环重置并且转速图收集每两个小时返回到基线速率。
在 Health 应用程序中，用户可以看到算法识别出导致通知的不规则行车记录图的时间（左）。 点击日期和时间允许用户可视化从每个转速图计算的逐搏测量值。
临床前开发
在临床测试之前，进行了研究以开发基于 PPG 的检测算法并评估算法在各种条件和用户行为下的性能。 其中包括深呼吸、乘车、手颤抖和运动、手或手腕灌注减少、过夜磨损、房颤患者的快速心室反应以及其他心律失常。 这些研究在 2,300 名对照受试者和 500 多名 AF 受试者中进行。
由于 PPG 依赖于光吸收率，心律失常检测算法在各种皮肤类型和色调中进行了测试，以确保在用于检测心律失常的算法的背景下，针对肤色的传感器平台调整是足够的。 黑色素在 Apple Watch 上绿色 LED 使用的波长下具有高吸收率，这使得 PPG 心率测量在较深肤色的情况下可能更加困难。 为了解决这个问题，Apple Watch 感应平台会调整 LED 电流（以及光输出）、光电二极管增益（对光的敏感度）和 samp确保足够的信号 amp跨越整个人类肤色范围的纬度。
出于验证目的，分析了来自 1.3 名不同皮肤类型和色调的受试者（1,124% 为女性）的 51 万个测速图（基于 Fitzpatrick 皮肤类型和手腕处皮肤亮度的分光光度计测量值）。 由于主要的工程问题集中在信号 amp在深色皮肤的个体中，近 5% 的受试者具有 Fitzpatrick VI 型皮肤。 验证工作表明，不同皮肤类型或色调的算法敏感性或特异性没有显着差异。
临床验证
苹果心脏研究
Apple 心脏研究 (AHS) 是一项前瞻性、单臂实用研究，旨在评估基于 Apple Watch 的不规则脉搏通知算法识别提示 AF 的心律失常的能力。 在这项研究中，如果用户达到六分之五的阈值，用户会收到 iPhone 和 Apple Watch 通知，并且可以选择联系远程医疗研究医生并收到动态心电图贴片，thee Patch（来自 Bio Telemetry , Inc. 位于美国康绍霍肯）。 参与者被要求佩戴 e Patch 长达 XNUMX 天，但从参与者那里收集的数据被认为是足够的，最少可分析时间为 XNUMX 小时。
AHS 的详细结果于 2019 年 381.20 月发表在新英格兰医学杂志上（Perez, Marco V., et al. “Large-scale assessment of a smartwatch to identify atrial fibrillation.” New England Journal of Medicine 2019 (1909) : 1917–XNUMX)。
AHS 子研究实验设计
对 AHS 中收集的数据进行了子研究，以确定速度图分类算法（个人或点速度图）和确认循环算法（警报级别，六个速度图中的五个）是否具有可接受的阳性预测值 (PPV)。 ePatch 监测在 AHS 参与者的一个子集中识别与 AF 一致的不规则节律。 AHS 调查人员知道子研究、后续分析和向 FDA 提交的数据，但在 AHS 进行期间，他们对子研究结果不知情。 机构再审view 批准 AHS 的委员会 (IRB) 确定该子研究不受 IRB 监督。 所有 AHS 参与者都提供了知情同意，其中包括将他们的研究数据用于子研究。
子研究数据收集自 30 年 2017 月 22 日至 2018 年 XNUMX 月 XNUMX 日期间入组的 AHS 参与者。 本子研究中的受试者收到来自 AHS 应用程序的不规则节律通知，随后收到并佩戴 ePatch 以解释动态心电图结果。 导致第一次通知并可能启动第一次远程医疗遭遇的初始不规则转速图未作为本子研究的一部分进行分析； 仅分析了用户佩戴研究提供的 ePatch 时发生的不规则转速图和通知。
两名具有美国心脏病学或电生理学委员会认证的独立心电图评审员提供了view 并判定 ECG 条带，将它们归类为 SR、AF、另一种不规则节律或不可读。 如果评审员不同意，第三名同样合格的评审员将对试纸进行评估。 评判员对转速图分类不知情。 裁决者心电图分类和算法确定的转速图分类被安全地发送给研究统计员进行数据分析。
结果
在收到初始心律失常通知并佩戴 ePatch 约一周的 226 名子研究参与者中，41.6%（94 名参与者）通过 ePatch 检测到 AF。 在同时佩戴 Apple Watch 和 ePatch 期间，57 名参与者中有 226 名收到了 AF 通知——也就是说，他们有六分之五的连续行车记录图被归类为不规则。 在这 57 人中，78.9%（45 名参与者）在 ePatch 数据上显示一致的 AF，98.2%（56 名参与者）显示 AF 或其他临床相关的心律失常。 这些结果表明，虽然在大多数情况下，通知将准确地代表 AF 的存在，但在某些情况下，通知可能表明存在非 AF 的心律失常。 没有观察到严重的设备不良反应。
基于心电图的检测
技术和功能描述
Apple Watch Series 4、Series 5 和 Series 6 在 Digital Crown 表冠中采用钛电极，在 Apple Watch 背面的蓝宝石水晶玻璃上采用了超薄的铬碳氮化物层。 心电图应用程序读取并记录来自用户指尖（带有数字表冠）和手腕（带有 Apple Watch 背面）的控制心脏的电脉冲，从而形成闭合电路。 要在 Apple Watch 上使用 ECG 应用程序，用户必须首先在用户配对的 iPhone 上的 Health 应用程序中完成入门，以了解如何使用该功能并了解 AF。 要生成心电图，用户打开 Apple Watch 上安装的心电图应用程序，然后将手指（从对侧手到 Apple Watch 的手腕）放在数码表冠上 30 秒。 引线极性由在“设置”中选择的 Apple Watch 手腕位置决定。
收集心电图后，专有算法将心电图追踪分类为 SR、AF 或 ECG 1.0 中的不确定。 借助可用的 ECG 2.0，还可以使用其他分类，例如具有高心率的 AF（HR 100 至 150）以及不良记录和不确定读数之间的其他区别。 这些节律分类——平均心率、用户报告的症状和波形——被添加到健康应用程序中，存储并可以由用户从用户配对的 iPhone 上的应用程序中作为 PDF 共享。 要了解有关用户体验的更多信息，请访问 support.apple.com/en-gb/HT208955.
临床前开发
在开始临床验证之前，还在多项研究中测试了 ECG 信号检测和分类算法。 传感器和分类算法在不同种族、手腕周长、BMI 范围、年龄、非 AF 心律失常、束带松紧程度、姿势、运动状态和出汗情况下进行了测试。 大约 2,500 名受试者参与了这些测试； 其中约 25% 的人之前曾被诊断出患有 AF 或其他不规则的心律。
“不可读”ECG 频率的增加是算法性能的主要变化。 导致这种变化的因素是低信号 amp纬度（由于右轴偏差 - 特别是在低 BMI 的人中注意到 - 或在锻炼后测试期间发现的出汗）和用户行为导致的运动伪影。 Apple Watch 使用干电极设计，具有机械强度和耐腐蚀性，适合可穿戴设备。 但是，相对于临床设备中使用的临时凝胶电极，干电极，尤其是那些放置在四肢上的电极，本质上更容易引入噪音——就像刚才描述的那种。
除了上述因素外，某些非 AF 心律失常的存在也导致算法性能与 SR 中的受试者相比存在显着差异。 这些条件和结果在下表1中描述。
表 1. 影响算法性能的非 AF 心律失常 (ECG 2.0)
|
心律失常 |
变化 |
| 左或右束支传导阻滞 | 7.9% 的试验归类为 AF |
| 一级 AV 阻滞 | 10.2% 的试验未分类； 在分类试验中，2.4% 被分类为 AF |
| 二元法 | 92.5% 未分类 |
| 频繁的PVC节拍 | 48.8% 未分类； 在那些被归类的人中，24.1% 被归类为 AF |
| 频繁的 PAC 节拍 | 19.8% 未分类； 在那些被归类的人中，23.5% 被归类为 AF |
| 房性心动过速 | 7.7% 归类为 AF |
| 混合节奏 | 46.5% 未分类； 在那些被归类的人中，29.7% 被归类为 AF |
| 高/低 HR（超出 50 到 150 bpm） | 94.8% 未分类 |
临床验证
实验设计
Apple 赞助了两项多中心研究，以验证 ECG 应用程序的能力：(1) 从标准 12 导联心电图生成类似于导联 I 心电图的心电图波形，以及 (2) 使用节律分类算法将此单导联心电图分类为SR 或 AF
ECG 1.0 临床验证研究
进行了一项临床验证研究以验证 ECG 应用程序 1.0 的性能。 该研究的主要终点是节律分类算法检测 AF 的敏感性和检测 SR 的特异性。 在受试者入组前，外部 IRB 批准了方案、知情同意书 (ICF) 和所有其他相关材料； 所有受试者在入组前都提供了参与的书面同意。
纳入已知 AF 和其他无已知心律异常的研究参与者。 他们被要求使用 ECG 应用程序记录三个单导联心电图，因为研究人员使用 FDA 批准的临床设备（GE Healthcare CardioSoft ECG 设备）同时记录了三个 12 导联心电图。 第一次试验被考虑进行裁决和分析。 参与者在 Apple Watch 放置方面得到帮助，被指示保持手臂不动——可能是将手臂放在桌子或腿上——并允许练习amp测试前获取。
为了测试 (1)，三名经过认证的独立心脏技术人员将 140 名随机选择的受试者（70 名 AF 和 70 名 SR）生成的节律条叠加到临床设备生成的节律条中相应的 Lead I 条上，以直观地比较六个连续的 PQRST 复合物。 技术人员根据视觉评估的形态相似性为每个条带指定合格或不合格名称。 他们还被要求测量 R amp参考和 ECG 应用程序生成的节律条中前两个 QRS 复合波从等电位基线到最接近毫米的纬度，然后评估两者之间的一致性。
对于 (2)，三位盲人、独立、美国委员会认证的心脏病专家重新view编辑每个 12 导联 ECG 参考条并将节律分类为 SR、AF、其他（HR 参数内不属于 SR 或 AF 的任何内容）或不可读（无法做出诊断，因为条不充分供阅读）。 ECG app 算法将 ECG app 生成的 ECG 分类为 SR、AF、不可分类或不可读。 与心脏病专家对 12 导联 ECG 的解释相比，计算了 SR 和 AF 的 ECG app 分类（用于可分类的 ECG）的敏感性和特异性。 然后要求一位盲人、独立、美国董事会认证的心脏病专家根据相同的类别对 ECG 应用程序生成的心律条进行分类。
对于主要终点分析，敏感性和特异性分别计算了单边精确的 97.5% 的置信下限。 如果灵敏度的下限超过 90%，则拒绝原假设以支持超过 90% 的灵敏度。 如果特异性的下限超过 92%，则拒绝零假设以支持超过 92% 的特异性。
结果
该研究招募了 602 名受试者，其中 588 名符合资格标准。 在这 588 名受试者中，301 名自我报告有 AF 的受试者被分配到 AF 队列，287 名没有自我报告的 AF 受试者被分配到 SR 队列。 这些队列分配仅用于确保足够的注册——评估人员对队列不知情，AF 的存在或不存在仅基于测试期间获得的心电图。 完成研究但未分配到登记队列的 14 名受试者不符合参与研究的条件，因为筛选时心电图显示没有 AF 的阵发性 AF 病史。 所有符合条件的受试者都完成了研究（图 2）。 研究期间没有报告不良事件。
三名经过认证的独立心脏技术人员发现，AF 队列中 98.4% 的分析条带和 SR 队列中 100% 的标准临床设备生成的 ECG app 波形和参考 Lead I ECG 之间的视觉形态学等效（表 2） . 通过评级的总体受试者比例为 99.2%（下 97.5% 置信界限 = 95.7%）。 如果在任何一组条带（ECG 应用程序或参考）中都无法识别没有人工制品的连续 XNUMX 次心跳（PQRST 复合波），则条带被排除在外。
表 2：波形比较
|
特征 |
AF 对象 (N = 61) | SR 科目 (N = 65) | 总计 (N = 126) | 置信下限* |
P值** |
| 具有及格评级的配对对象条（ECG 应用程序和参考条）的数量 |
60 |
65 |
125 |
||
| 可读配对主题条的数量（心电图应用程序和参考条） |
61 |
65 |
126 |
|
|
| 具有及格评级的科目条的比例 |
60/61(98.4%) |
65/65(100%) | 125/126(99.2%) | 95.7％ |
< 0.0001 |
| 排除的配对主题条数 |
8 |
5 |
13 |
|
* 下精确二项式单边 97.5% 置信区间
**受试者成功的假设检验 > 0.8 缩写：AF = 心房颤动，SR = 窦性心律
为了进一步确认 ECG 应用程序和参考设备生成的波形相似，将 ECG 应用程序条带的盲心脏病专家分类与参考条带的心脏病专家分类进行了比较（表 3）。 百分比tag设备条分类与 AF 和 SR 参考结果的一致性分别为 100% 和 99.1%。 不可读的条带不包括在此分析中。
表 3：ECG App 和参考条之间的分类
| 特征 | 总计 (N = 522) |
| 最终 ECG 参考结果 = AF |
263 |
| 心电图应用条的分类= AF |
239/263(90.9%) |
| 心电图应用条的分类 = SR |
0/263(0.0%) |
| 心电图应用条的分类=其他 |
0/263(0.0%) |
| 心电图应用条的分类 = 不可读 |
24/263(9.1%) |
| % 与 AF 参考结果的一致性* |
239/239(100.0%) |
| 最终 ECG 参考结果 = SR |
244 |
| 心电图应用条的分类= AF |
0/244(0.0%) |
| 心电图应用条的分类 = SR |
232/244(95.1%) |
| 心电图应用条的分类=其他 |
2/244(0.8%) |
| 心电图应用条的分类 = 不可读 |
10/244(4.1%) |
| % 与 SR 参考结果的一致性* |
232/234(99.1%) |
| 最终心电图参考结果 = 其他 |
15 |
| 心电图应用条的分类= AF |
0/15(0.0%) |
| 心电图应用条的分类 = SR |
3/15(20.0%) |
| 心电图应用条的分类=其他 |
12/15(80.0%) |
| 心电图应用条的分类 = 不可读 |
0/15(0.0%) |
| % 与其他参考结果的一致性* |
12/15(80.0%) |
*不可读的条被排除在外
缩写：AF = 心房颤动，SR = 窦性心律\
在 485 个配对的 ECG 应用程序和参考心律条中，共有 602 个被认为是可分类的。 其余对的心电图应用程序或参考条被认为无法读取或无法分类。 表 4 显示了 AF 和 SR 队列之间的细分。
表 4：ECG App 算法分类和参考条最终结果
| ECG App算法分类 | 参考条分类 | ||||
| SR | AF | 其他 | 不可读 |
全部的 |
|
| SR | 238 | 4 | 4 | 1 | 247 |
|
AF |
1 | 236 | 2 | 2 |
241 |
|
无法分类 |
6 | 7 | 6 | 0 | 19 |
|
不可读 |
18 | 30 | 1 | 0 |
49 |
| 未报告设备结果* | 32 | 13 | 1 | 0 | 46 |
|
全部的 |
295 | 290 | 14 | 3 |
602 |
*除一名受试者外，所有受试者均未根据预先建立的标准（例如未检测到同步）报告结果 缩写：AF = 心房颤动，SR = 窦性心律
ECG 应用算法分类实现了 98.3% 的灵敏度和 99.6% 的特异性（表 5）。 将分析扩展到包括 2.4%（7 个中的 290 个）和 2.0%（6 个中的 295 个）被归类为设备无法分类的 AF 和 SR 参考条分类类别的条带，灵敏度为 95.5% %（95% CI：92.2%，97.8%），特异性为 97.1%（95% CI：94.2%，98.8%）。 这些结果符合本研究设计中预先指定的主要终点。 此外，12.2%（68 条记录中的 556 条）是不确定的——要么不可读，要么无法分类——也不能归类为 SR 或 AF。 当分析中包含不确定的记录时，ECG 应用程序正确分类了 90.5%（238 名中的 263 名）的 SR 和 85.2%（236 名中的 277 名）AF 受试者的 SR。 临床验证结果反映在受控环境中的使用。 ECG 应用程序的实际使用可能会导致更多条带被视为不确定且不可分类。
表 5：敏感性和特异性分析 - 可分类条带 参数值 L
| 范围 |
价值 |
降低信心 边界* |
P值** |
| 最终 ECG 参考结果 = AF (n) |
240 |
||
| 心电图应用设备结果 = AF |
236/240(98.3%) |
||
| 心电图应用设备结果 = SR |
4/240(1.7%) |
||
| 敏感度 |
236/240(98.3%) |
95.8％ |
< 0.0001 |
| 最终 ECG 参考结果 = SR (n) |
239 |
||
| 心电图应用设备结果 = AF |
1/239(0.4%) |
||
| 心电图应用设备结果 = SR |
238/239(99.6%) |
||
| 特异性 |
238/239(99.6%) |
97.7％ |
< 0.0001 |
*下精确二项式单边置信界限
**敏感性 > 0.9 和特异性 > 0.92 的假设检验 缩写：AF = 心房颤动，SR = 窦性心律
ECG 2.0 临床验证研究
进行了第二项研究以支持和验证研究性心电图应用程序 2.0 算法（测试设备），该算法扩展了可分类的 HR 范围（50 到 150 bpm），并引入了新的分类结果（SR、SR 高 HR、AF、AF 高HR，不确定和糟糕的记录）。 本研究的目的是评估测试设备的性能。 特异性和敏感性是评估的主要终点。 次要终点包括在特定可读和可分类心电图试纸上正确分类以下类别的受试者：NSR（HR 50 至 150），同步 12 导联心电图上的 SR 为 SR； AF（HR 50 至 99），同时 12 导联 ECG 上的 AF 作为 AF，窦性心动过速（HR 100 至 150），同时 12 导联 ECG 上的 SR 作为高心率，以及高心率 AF（HR 100 至 150 )，同时 12 导联心电图上的 AF 作为 AF。 此外，ECG app 波形与 12 导联 ECG 的导联 I 等效——通过 PQRST 复合波和 R 波的可接受形态测量 amp纬度一致性 - 也进行了评估，类似于 ECG 1.0 临床验证研究中进行的波形评估。
这项研究的进行得到了适当的机构批准view 前瞻性的、基于美国的多中心研究的各个研究中心的委员会。 在参与研究之前，研究中心的研究人员在每个研究中心获得了 IRB 批准、ICF 和任何面向受试者的材料。
研究对象包括那些在筛选时 SR 正常的人——没有已知的 AF 病史——以及那些在筛选期间患有 AF 的已知持续性、永久性或慢性 AF 的人。 指示所有受试者同时使用 Apple Watch 进行 12 导联心电图和单独的完整单导联心电图； 对每个受试者进行了三项试验。 演练课程也遵循相同的过程； 被认为适合的受试者被要求使用固定自行车锻炼五分钟以达到目标心率。 对于休息和锻炼，第一次试验被考虑进行裁决和分析。
两名盲人、独立的美国委员会认证的心脏病专家评审员重新view编辑了用于 HR 和节律诊断的 12 导联 ECG。 如果出现差异，第三位裁判员进行了重新view. 计算每个 12 导联心电图的 HR。 记录 HR 并选择与参考 ECG 上观察到的 HR 相对应的 HR 诊断代码。 根据 12 导联 ECG 数据判定以下心律诊断：SR、AF、室上性心动过速 (SVT)、另一种异常心律（频繁的房性早搏、频繁的室性早搏、房扑、室性心动过速、心室颤动、第二- I 度 AV 传导阻滞、II 度 AV 传导阻滞、III 度 AV 传导阻滞和其他）且无法解释。 三名失明的心脏技术员或心脏病专家重新view在评估和判定成对 ECG 条带的 ECG 数据期间编辑波形。 前六个连续的不同可读 PQRST 复合物没有人工制品，它们在对象设备条和用于评估的参考设备条之间匹配，通过一个重新识别viewer 并被另外两个 re 使用view呃。 如果找不到六个连续的节拍，则将条带排除在外。
对于主要终点分析，由于数据是从相同的研究对象在休息时和运动后收集的，因此实施了自举方法以获得敏感性和特异性的两侧 95% 置信区间。 随机选择具有至少一项 AF（敏感性）或 SR（特异性）判定结果和可分类算法结果（SR 或 AF）的受试者，并进行替换。 Bootstrap 估计分布的第 2.5 个和第 97.5 个百分位数代表了两侧的 95% 置信界限。 如果敏感性和特异性的置信下限超过了与这些性能指标相关的预先设定的性能目标（敏感性为 90%，特异性为 92%），则拒绝原假设以支持替代假设。 对于波形比较，来自随机选择的研究对象的第一次试运行的数据 - 当对象处于休息和运动后 - 被用来使用引导程序测试波形评估假设amp玲的方法。 如果形态学通过等级比例的自举分布的第 2.5 个百分位数超过 80%，则拒绝原假设（形态学通过等级比例小于 80%）。 相同的标准应用于评估 R 波 amp纬度协议比例。
结果
共有 546 名受试者参加了这项研究； 305 人被纳入 AF 队列，241 人被纳入正常窦性心律 (NSR) 队列。 由于资格原因，AF 队列中的一名受试者被排除在外。 在 546 名受试者中，534 名（AF 队列中的 293 名和 NSR 队列中的 241 名）完成了研究； AF 队列中有 12 名受试者未完成研究。
三个独立的心脏技术人员重新view出于问责目的编辑波形评估分析集。 配对的手表和参考条用于评估。 共有 91 名受试者 (100%) 具有可读的“静止”条带配对，87 名受试者 (100%) 具有可读的“运动后”条带配对，93 名受试者 (100%) 具有至少一个从“休息时”或“运动后”中去除配对。 可分类的分析集由所有具有可读配对 ECG app 2.0 和 12 导联 ECG 判定结果的受试者组成。 共有 512 名受试者（在 AF 队列中 n = 279，在 NSR 队列中 n = 233）被认为是可分类的。 波形评估分析集——定义为从 ECG 应用程序和 1 导联 ECG 的导联 12 中随机选择的具有可读配对条带的受试者——总共由 93 个受试者组成（AF 队列中 n = 48，NSR 队列中 n = 45） .
表 6 显示了 ECG 应用程序 2.0 的交叉分类数据和经裁定的 12 导联 ECG 结果，用于结合休息和运动后数据。 对于 SR 和 AF 类别，在裁定的 12 导联心电图结果与心电图应用设备输出之间实现了高度一致。 对于判定为 SR (n = 12) 的 470 导联心电图条，ECG app 设备输出也将总共 436 个结果归类为 SR。 对于判定为 AF (n = 12) 的 521 导联 ECG 条带，ECG app 设备输出共有 474 个结果被归类为 AF。 ECG 应用设备将 9 个结果归类为 SR，37 个结果归类为 AF，13 个结果归类为不确定，9 个结果归类为在 12 导联心电图上被裁定为其他（SVT 或其他）的不良记录。
表 6：ECG App 和裁定 12 导联 ECG 结果（休息时和运动后）的交叉分类表 - 可分类分析集
|
使用经裁定的 12 导联心电图结果的真实情况 |
||||||
|
心电图应用设备输出 |
(50≦SR 150)
心率≦ |
(50≦AF 150)
心率≦ |
其他（SVT 或其他 HR 50 至 150；HR<50； 人力资源>50) | 无法解释 | 无法使用 |
托塔l |
| SR [SR (50 到 99); NSR 窦速（100 至 150）] |
436 |
7 | 9 | 0 | 2 |
454 |
| AF (50≦心率≦150 |
3 |
474 | 37 | 0 | 6 |
520 |
| 不确定 [包括 HR<50; 人力资源>150] |
10 |
13 | 13 | 0 | 1 |
37 |
| 录音效果不佳 |
14 |
23 | 9 | 0 | 3 |
49 |
| 无法使用 |
7 |
4 | 1 | 1 | 0 |
13 |
| 全部的 |
470 |
521 | 69 | 1 | 12 |
1073 |
缩写：AF = 房颤，SR = 窦性心律，HR = 心率，SVT = 室上性心动过速
ECG app 2.0 的特异性估计为 99.3%，灵敏度估计为 98.5%（表 7）。 特异性估计 (98.4%) 和敏感性估计 (97.3%) 的置信下限超出了与这些性能指标相关的预先设定的性能目标； 因此，特异性和敏感性的无效假设被拒绝，支持替代假设，特异性和敏感性的主要终点得到满足。 静息特异性估计为 99.1%，静息敏感性估计为 98.5%。 运动后特异性估计为 99.5%，运动后敏感性估计为 98.6%。 对组合的休息和运动后数据进行了额外的分析，将“不确定”算法分类类别纳入计算。 由此产生的特异性估计为 97.1%，而敏感性估计为 96.0%。
在裁定的 12 导联心电图心率节律结果与心电图应用设备输出之间观察到高度一致。 与 12 导联 ECG 参考条结果相比，错误分类的程度较低。 表 8 提供的总结结果证实了将 NSR 患者（HR 50 至 99，同时 12 导联心电图上的 SR）正确分类为 SR、AF（HR 50 至 99，同时 12 导联上的 AF）的次要终点ECG）作为 AF，窦性心动过速（HR 100 至 150，同步 12 导联心电图上的 SR）作为高心率，高心率 AF（HR 100 至 150，同时 12 导联心电图上的 AF）作为 AF（高HR）在可读且可分类的 ECG 应用程序条上。 百分比tagSR（HR 50 至 99）正确分类的 e 为 98.3%； 96.6% 的置信下限超过了为该终点预先设定的 90% 的绩效目标。 百分比tag被正确分类的 AF（HR 50 至 99）的 e 为 98.9%； 97.5% 的置信下限超过了预先设定的 81% 的绩效目标。 百分比tag正确分类的 SR（HR 100 至 150）的 e 为 90.7%； 86.7% 的置信下限超过了预先设定的 81% 的绩效目标。 百分比tag被正确分类的 AF（HR 100 至 150）的 e 为 83.0%； 77.8% 的置信下限超过了预先设定的 75.5% 的绩效目标。
表 7：敏感性和特异性结果（主要终点结果）——可分类的分析集
| 范围 | 价值 | 两侧 95% bootstrap 置信区间* |
| 综合（休息时和运动后） | ||
| 参考结果 = AF（50 到 150 HR） | 481 | |
| ECG app = AF（50 到 150 HR） | 474/481(98.5%) | |
| ECG app = SR（50 到 150 HR） | 7/481(1.5%) | |
| 敏感度 | 474/481(98.5%) | （97.3％，99.6％） |
| 参考结果 = SR（50 到 150 HR） | 439 | |
| ECG app = AF（50 到 150 HR） | 3/439(0.7%) | |
| ECG app = SR（50 到 150 HR） | 436/439(99.3%) | |
| 特异性 | 436/439(99.3%) | （98.4％，100.0％） |
| *从bootstrap res获得的结果amp玲 缩写：AF = 心房颤动，SR = 窦性心律，HR = 心率 |
||
表 8：百分比tage 校正可分类的 AF 和 SR 节律
| 范围 |
价值 |
自举置信区间** |
| 综合（休息时和运动后）* | ||
| 百分比tage SR (HR 50 to 99) 参考更正 |
230/234(98.3%) |
（96.6％，99.6％） |
| 百分比tage AF (HR 50 to 99) 参考校正 |
272/275(98.9%) |
（97.5％，100％） |
| 百分比tage SR (HR 100 to 150) 参考更正 |
186/205(90.7%) |
（86.7％，94.6％） |
| 百分比tage AF (HR 100 to 150) 参考校正 |
171/206(83.0%) |
（77.8％，88.0％） |
*百分比tag正确计算包括心电图应用程序 2.0 可分类的 AF 和 SR 节律
**从 bootstrap res 获得的置信区间ampling 缩写：AF = 心房颤动，HR = 心率，SR = 窦性心律
此外，ECG 应用程序算法 2.0 与来自 12 导联 ECG 的导联 I 之间的波形比较显示，总合格率百分比tag休息时和运动后形态学的综合结果为 100%，总共排除了五个结果。 置信区间下限为 97.9%，超过了预先设定的 80% 的形态学通过评级比例。 总通过率百分比tage 在休息时和运动后的综合 R 波评估结果为 97.2%； 置信区间下限为 93.6%，超过了预先确定的 R 波 amp纬度一致比例为80%。 休息时和运动后组显示相似的 R 波。
结论
Apple Watch 客户现在可以使用两个可选功能来检测不规则心律：不规则节律通知功能（Apple Watch Series 1 及更新机型提供）和 ECG 应用程序（Apple Watch Series 4、Series 5 和 Series 提供） 6).
不规则节律通知功能是一款软件，可在后台对随机收集的速度图进行分类，通知激活该功能的消费者存在不规则的心律。 Apple 心脏研究表明，在同时佩戴 Apple Watch 和心电图贴片期间收到通知的参与者中，78.9% 的参与者在心电图贴片上表现出一致的房颤，98.2% 的人表现出房颤和其他临床相关的心律失常。 这些结果表明，在大多数情况下，通知将准确地表示 AF 的存在，但在某些情况下，通知可能表明存在 AF 以外的心律失常。
在 Apple Watch Series 4、Series 5 和 Series 6 中，可以使用心脏电传感器，连同 ECG 应用程序和算法，生成类似于单导联 (Lead I) ECG 的 ECG 波形，并且能够将波形分类为寻找 AF 的存在。 与使用参考设备记录并由独立临床专家解释的 ECG 相比，旨在对这些 ECG 进行分类的专有算法在识别 AF 方面表现出超过 98% 的灵敏度和超过 99% 的特异性。
想要使用这两个功能的消费者必须完成用户体验，让他们了解这些发现的解释和非诊断性质以及算法的局限性。 这两个功能都获得了 FDA 的 De Novo 或 510(k) 分类许可。
文件/资源
 |
Apple 使用 Apple Watch 进行心律失常检测 [pdf] 指示 Apple Watch、心律失常检测、使用说明 |
