SHDB-AF：首个日本心房颤动Holter ECG数据库的建立与应用

《Scientific Data》：SHDB-AF: a Japanese Holter ECG database of atrial fibrillation

本研究为解决心房颤动（AF）诊断工具不足的问题，开发了首个包含日本人群样本的24小时Holter ECG数据库SHDB-AF，为机器学习和深度学习模型的泛化能力提供了重要资源，有助于提高AF诊断的准确性和早期干预效果。

　　心房颤动（Atrial Fibrillation, AF）是一种常见的心律失常疾病，严重影响患者的生活质量并增加中风、心力衰竭等并发症的风险。早期准确诊断对于改善患者预后至关重要，然而目前的诊断工具存在局限性。为了突破这一瓶颈，日本埼玉医科大学国际医疗中心的研究人员开发了首个包含日本人群样本的24小时Holter ECG数据库SHDB-AF，并在《Scientific Data》上发表了相关研究成果。

心房颤动是全球最常见的心律失常疾病之一，其发病率随着人口老龄化不断上升。AF不仅会导致患者心悸、乏力等症状，还会显著增加中风和心力衰竭的风险。早期诊断和干预对于改善患者预后至关重要，但目前的诊断工具如标准12导联心电图（ECG）由于记录时间短、可及性有限，诊断敏感性较低。Holter ECG监测能够连续记录约24小时的心电活动，在AF诊断中发挥着重要作用。然而，现有的公开AF ECG数据库大多缺乏详细的临床信息，且没有包含日本人群样本，这限制了机器学习（ML）和深度学习（DL）模型在不同人群中的泛化能力。

为了解决这一问题，日本埼玉医科大学国际医疗中心的研究人员开发了SHDB-AF数据库。该数据库包含128份来自122名独特患者的24小时双通道Holter ECG记录，总时长达到2160万秒。这些记录涵盖了详细的临床信息，包括患者的年龄、性别、身高、体重、AF亚型、药物使用、消融史、心脏超声参数等。研究人员通过手动注释的方式，对AF段进行了精确标记，确保了数据的准确性和可靠性。

在技术方法方面，研究人员首先从2019年11月至2022年1月收集了147份Holter记录，经过质量检查和筛选，最终纳入128份记录。他们使用Fukuda Holter监测仪以125 Hz的采样率记录心电图，并采用PhysioZoo软件进行心律注释。为了验证数据库的有效性，研究人员使用了ArNet2和RawECGNet两种深度学习算法进行测试，结果表明SHDB-AF数据库在不同地理区域和人群中的适用性。

研究结果表明，SHDB-AF数据库的平均AF负担（AF Burden, AFB）为19.5% ± 27.6%。AF类型中，阵发性AF（PAF）占62.5%，持续性AF（PerAF）占11.7%，非AF占25.8%。此外，数据库中还包括了患者的详细临床信息，如合并症、药物使用情况等，为研究人员提供了丰富的数据资源。

该研究的结论强调了SHDB-AF数据库在提高AF诊断准确性方面的重要意义。通过提供详细的临床信息和高质量的心电图数据，该数据库为机器学习和深度学习模型的开发和验证提供了重要支持，有助于推动AF诊断工具的发展和优化。此外，该数据库的开放性和多样性也为未来的研究提供了广阔的空间，有望促进全球范围内AF研究的合作与交流。