人工智能赋能心房颤动全程管理：应用进展、转化障碍与健康公平性思考

doi:10.3969/j.issn.1006-5725.2026.18.008

Abstract

Abstract:

Atrial fibrillation （AF） is one of the most common arrhythmias encountered in clinical practice， and its population-level disease burden is growing globally， while conventional management strategies have multiple limitations. Artificial intelligence （AI） has opened new technological avenues for the comprehensive management of AF. This narrative review summarizes the current applications， recent research advances of AI in the comprehensive management of AF， as well as the key challenges for its clinical translation. Specifically， AI-enhanced electrocardiography （ECG） integrated with wearable devices enables opportunistic screening across diverse clinical settings； AI-assisted fully automated ECG analysis achieves accuracy and efficiency that match or even exceed those of conventional manual analysis； AI-based predictive models outperform traditional clinical risk scoring systems in predicting the risk of new-onset AF， thromboembolic events， and recurrence after catheter ablation， although improvements in bleeding risk prediction remain limited； AI-assisted personalized anticoagulation， intraprocedural ablation navigation， and clinical decision-making for rhythm control versus rate control have all demonstrated promising clinical application potential. However， the clinical translation of AI for AF management still faces multiple challenges at the technical， practical application， and policy levels. From a technical perspective， the most prominent issues include insufficient model interpretability， widespread data silos， inadequate multimodal data fusion， the gap between model performance and clinical utility， and noise interference in data collection. In terms of practical application， real-world implementation is constrained by fragmented healthcare information systems， superficial integration of AI tools into existing workflows， delayed coverage of AI-related technologies by medical insurance reimbursement， limited AI-related capabilities in primary healthcare settings， the absence of closed-loop disease management systems enabled by AI， and the existing digital divide. At the policy level， regulatory approval pathways for AI-enabled medical devices， liability attribution for AI-assisted clinical decisions， and standardized data governance frameworks still require systematic improvement. Moving forward， priority should be given to integrating explainable AI with domestically developed medical devices， establishing a standardized framework for cross-institutional data sharing and multimodal fusion， developing a clinical validation system oriented to hard clinical endpoints， and optimizing high-robustness signal quality sensing and processing technologies. We also need to facilitate cross-platform data interoperability， deepen the integration of AI tools into standard clinical workflows， and improve supporting mechanisms including health insurance reimbursement coverage， primary care capacity building， and AI-enabled closed-loop disease management. Only by establishing a full-cycle regulatory system for AI medical products， clarifying the boundaries of authority and liability for AI-assisted clinical practice， and developing unified national data governance standards can we advance the translation of AI from mere technological feasibility to universal accessible healthcare， thereby effectively reducing the overall disease burden of AF at the population level.

Key words: atrial fibrillation, artificial intelligence, electrocardiogram, deep learning, clinical applications, health equity

CLC Number:

R541.7⁺5

Huan Mou, Yilan Wang, Xiaohang Wei, Quan Zhang. Artificial intelligence-enabled comprehensive management of atrial fibrillation： Advances in application， barriers to translation and considerations on health equity[J]. The Journal of Practical Medicine, 2026, 42(18): 3298-3314.

Figures/Tables 4

Fig.1

Tab.1

Tab.2

Basic characteristics of AI applications in various aspects of AF management （study type， sample size， data source， and algorithm）"

应用环节	代表性研究	研究类型	样本量	数据来源	算法
筛查	Attia等^[9]	回顾性研究	约65万份ECG	美国梅奥诊所的数字ECG数据库	CNN
筛查	Perez等^[15]	前瞻性研究	419 297名参与者	Apple可穿戴设备用户	Apple Watch内置的不规则脉搏通知算法
筛查	Lubitz等^[16]	前瞻性研究	455 699名参与者	Fitbit可穿戴设备用户	Fitbi设备内置的新型PPG软件算法
筛查	Guo等^[17]	前瞻性研究	644 124名参与者，完成心血管风险因素问卷者209 274人	华为可穿戴设备用户	华为设备内置的PPG算法/C2HEST临床风险评分
诊断（常规ECG）	Smith等^[20]	回顾性研究	24 123份12导联ECG	美国德克萨斯州休斯顿贝勒医学院及其附属医院的ECG数据库	Cardiologs^®
诊断（24 h Holter）	Zhang等^[22]	回顾性研究（医院+社区双场景）	23 621份Holter记录	中国大型三甲医院的Holter数据库+社区流行病学筛查队列	以RR间期为输入的DL模型
诊断（24 h Holter）	Fiorina等^[24]	回顾性、多中心研究	1 000份Holter记录	法国三家独立医疗中心的Holter数据库	残差注意力DL模型
风险预测（新发AF）	Hill等^[26]	回顾性队列研究	2 994 837名参与者	英国临床实践研究数据链	时间变化神经网络模型
风险预测（新发AF）	Choi等^[27]	回顾性队列研究	176 090名参与者	韩国首尔三星医疗中心的单中心电子病历与ECG数据库	LightGBM
风险预测（新发AF）	Jin等^[31]	回顾性开发	552 372份ECG记录	韩国全南国立大学医院数据库	可解释性DL模型
风险预测（血栓栓塞）	Lin等^[32]	回顾性开发+ 外部验证	9 511例新诊断AF患者	台湾大学医院数据库	logistic回归/ XGBoost
风险预测（血栓栓塞）	Joddrell等^[34]	前瞻性、多中心注册研究	26 183例新诊断AF患者	GLORIA-AF注册登记研究数据库	ML（23个变量）
风险预测（出血）	Chaudhary等^[35]	回顾性队列研究	24 468 例AF接受DOAC治疗的患者	美国匹兹堡大学医学中心电子健康记录	RF
风险预测（消融复发）	Tang等^[40]	回顾性分析	156例接受导管消融术的连续患者	美国斯坦福大学的一家三级转诊中心	CNN多模态融合架构
风险预测（消融复发）	Qiu等^[43]	回顾性队列研究	920例接受首次AF射频消融术的患者	南京医科大学第一附属医院	DL/Transformer多模态融合架构
治疗决策（抗凝）	Liu等^[47]	前瞻性RCT	17 817例患者	中国台湾2家医院	DL
治疗决策（消融导航）	Dello等^[48]	回顾性、多中心观察性研究	157例接受脉冲场消融的AF患者	意大利5个心血管中心	DL（左心房三维重建）
治疗决策（消融导航）	Seitz等^[49]	前瞻性、多中心、观察性研究	85例持续性AF患者	法国的8个医疗中心	VX1
治疗决策（消融导航）	Fox等^[51]	回顾性研究	10例复杂AF患者	美国加州大学圣地亚哥分校医疗机构和退伍军人事务部圣地亚哥医疗系统	正向求解AI-ECG心律失常标测算法
治疗决策（节律/心率控制）	Stacy等^[52]	基于调查的横断面研究	33名临床医生	美国科罗拉多大学医疗机构	临床决策支持系统- QRhythm系统

Tab.2

Tab.3

Main results， validation， prospective design， and clinical hard endpoints of studies on AI applications in various aspects of AF management"

应用环节	代表性研究	主要结果	是否外部验证	是否有前瞻性研究	是否涉及临床硬终点
筛查	Attia等^[9]	AF检测AUC 0.87，准确率83.3%	否	否	否
筛查	Perez等^[15]	收到不规则脉搏通知的概率很低（0.52%），在收到通知的参与者中，34%在后续ECG贴片读数中显示房颤，84% 的通知与房颤一致	不适用	是	否
筛查	Lubitz等^[16]	IHRD发生率为 1%，在1 057名佩戴可分析ECG贴片的IHRD参与者中，32.2%（340例）确诊AF	不适用	是	否
筛查	Guo等^[17]	心悸症状+C2HEST评分联合预测AF检出的C-index为0.76，优于单用C2HEST评分的0.72	不适用	是	否
诊断（常规ECG）	Smith等^[20]	准确率91.2%，显著优于传统算法（80.2%），与医生+传统算法（90.0%）无统计学差异	否	否	否
诊断（24 h Holter）	Zhang等^[22]	社区测试集灵敏度1.000，特异度0.997	是	否	否
诊断（24 h Holter）	Fiorina等^[24]	灵敏度0.98，特异度0.98，分析时间缩短> 25%（4.4 min vs. 6.0 min）	是	否	否
风险预测（新发AF）	Hill等^[26]	AUC 0.82，优于CHARGE-AF评分（0.73）	否	否	否
风险预测（新发AF）	Choi等^[27]	AUC提高至0.88	否	否	否
风险预测（新发AF）	Jin等^[31]	预测1个月内阵发性AF风险AUC 0.90	否	否	否
风险预测（血栓栓塞）	Lin等^[32]	内部AUC 0.915/0.914，外部0.877 ~ 0.886，显著优于 CHA₂DS₂-VASc（0.614 ~ 0.621）	是	否	是（1年卒中）
风险预测（血栓栓塞）	Joddrell等^[34]	预测1年卒中AUC 0.653，优于CHA₂DS₂-VASc（0.535）但提升有限	否	是	是（1年卒中）
风险预测（出血）	Chaudhary等^[35]	预测1年大出血AUC 0.76，高于HAS-BLED（0.57）	否	否	是（1年出血）
风险预测（消融复发）	Tang等^[40]	预测消融术后复发AUC 0.86	否	否	否
风险预测（消融复发）	Qiu等^[43]	消融复发AUC 0.899，有助于识别低复发风险患者	否	否	否
治疗决策（抗凝）	Liu等^[47]	AI组AF诊断率提高40%，NOAC处方率增加85%；但缺血性卒中、心血管死亡和全因死亡率在两组间均无显著差异	不适用	是	是（缺血性卒中、心血管死亡和全因死亡率）
治疗决策（消融导航）	Dello等^[48]	平均节约建模时间3 min，透视时间7.5 min，实现零辐射	不适用	否	否
治疗决策（消融导航）	Seitz等^[49]	急性AF终止率88%，术后无房性心律失常比例73%	不适用	是	否
治疗决策（消融导航）	Fox等^[51]	核心消融时间缩短35.9%；透视时间缩短58.7%	不适用	否	否
治疗决策（节律/心率控制）	Stacy等^[52]	安全性评分4.7/5，仅50%医生“基本同意”建议，信任度不足	不适用	否	否

Tab.3

References 73

[1]	Lévy S， Steinbeck G， Santini L， et al. Management of atrial fibrillation： Two decades of progress—a scientific statement from the European Cardiac Arrhythmia Society［J］. J Interv Card Electrophysiol， 2022， 65（1）： 287-326. doi：10.1007/s10840-022-01195-z .
[2]	Tan Siyuan， Zhou Jiabao， Veang T， et al. Global， regional， and national burden of atrial fibrillation and atrial flutter from 1990 to 2021： Sex differences and global burden projections to 2046—a systematic analysis of the Global Burden of Disease Study 2021［J］. Europace， 2025， 27（2）： euaf027. doi：10.1093/europace/euaf027 .
[3]	Linz D， Gawalko M， Betz K， et al. Atrial fibrillation： Epidemiology， screening and digital health［J］. Lancet Reg Health Eur， 2024， 37： 100786. doi：10.1016/j.lanepe.2023.100786 .
[4]	Ceolin C， Mizzon E， Noale M， et al. The impact of atrial fibrillation on physical performance in older adults： A longitudinal study in relation to cognitive function［J］. J Am Med Dir Assoc， 2025， 26（9）： 105764. doi：10.1016/j.jamda.2025.105764 .
[5]	Song Yanling， Chen Jianhong， Zhang Yine， et al. Prevalence and risk factors of stroke in patients with nonvalvular atrial fibrillation： A case-control study［J］. World Neurosurg， 2025， 195： 123652. doi：10.1016/j.wneu.2024.123652 .
[6]	Frost L， Johnsen S P， Benjamin E J， et al. Social drivers in atrial fibrillation occurrence， screening， treatment， and outcomes： Systematic-narrative hybrid review［J］. Eur Heart J ， 26（Supplement_4）： iv50-iv60. doi：10.1093/eurheartjsupp/suae073 .
[7]	何斌，储慧民. 人工智能在房颤诊疗中的应用进展［J］. 实用心电学杂志， 2022， 31（4）： 262-266， 279. doi：10.13308/j.issn.2095-9354.2022.04.007 .
[8]	Țica O， Champsi A， Duan Jinming， et al. Artificial intelligence in the diagnosis and management of atrial fibrillation［J］. Diagnostics （Basel）， 2025， 15（20）： 2561. doi：10.3390/diagnostics15202561 .
[9]	Attia Z I， Noseworthy P A， Lopez-Jimenez F， et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm： A retrospective analysis of outcome prediction［J］. Lancet， 2019， 394（10201）： 861-867. doi：10.1016/S0140-6736（19）31721-0 .
[10]	Choi J H， Song S H， Kim J， et al. Sequential AI-ECG diagnostic protocol for opportunistic atrial fibrillation screening： A retrospective single-center study［J］. J Clin Med， 2025， 14（18）： 6675. doi：10.3390/jcm14186675 .
[11]	Sandberg E L， Halvorsen S， Berge T， et al. Fully digital self-screening for atrial fibrillation with patch electrocardiogram［J］. Europace， 2023， 25（5）： euad075. doi：10.1093/europace/euad075 .
[12]	Avanu A E， Dodi G. Wear your heart on your sleeve： Smart textile ECG wearables for comfort， integration， signal quality and continuous monitoring in paroxysmal atrial fibrillation［J］. Sensors， 2025， 25（3）： 676. doi：10.3390/s25030676 .
[13]	García Agudo Ó， Fuertes González R， García Gil M， et al. Screening for undiagnosed atrial fibrillation in community pharmacies using mobile electrocardiogram technology： A quasi-experimental cross-sectional study （PREVENIM ICTUS）［J］. BMC Prim Care， 2026， 27（1）： 76. doi：10.1186/s12875-026-03188-7 .
[14]	Luo Danyang， Zhang Zhiwei， Sibomana O， et al. Comparison of diagnostic accuracy of electrocardiogram-based versus photoplethysmography-based smartwatches for atrial fibrillation detection： A Systematic Review and Meta-Analysis［J］. Ann Med Surg （Lond）， 2025， 87（4）： 2307-2323. doi：10.1097/MS9.0000000000003155 .
[15]	Perez M V， Mahaffey K W， Hedlin H， et al. Large-scale assessment of a smartwatch to identify atrial fibrillation［J］. N Engl J Med， 2019， 381（20）： 1909-1917. doi：10.1056/NEJMoa1901183 .
[16]	Lubitz S A， Faranesh A Z， Selvaggi C， et al. Detection of atrial fibrillation in a large population using wearable devices： The fitbit heart study［J］. Circulation， 2022， 146（19）： 1415-1424. doi：10.1161/CIRCULATIONAHA.122.060291 .
[17]	Guo Yutao， Wang Hao， Zhang Hui， et al. Population-based screening or targeted screening based on initial clinical risk assessment for atrial fibrillation： A report from the Huawei heart study［J］. J Clin Med， 2020， 9（5）： 1493. doi：10.3390/jcm9051493 .
[18]	Wouters F， Gruwez H， Smeets C， et al. Comparative evaluation of consumer wearable devices for atrial fibrillation detection： Validation study［J］. JMIR Form Res， 2025， 9： e65139. doi：10.2196/65139 .
[19]	Abdelhamid K， Reissenberger P， Piper D， et al. Fully automated photoplethysmography-based wearable atrial fibrillation screening in a hospital setting［J］. Diagnostics （Basel）， 2025， 15（10）： 1233. doi：10.3390/diagnostics15101233 .
[20]	Smith S W， Rapin J， Li Jia， et al. A deep neural network for 12-lead electrocardiogram interpretation outperforms a conventional algorithm， and its physician overread， in the diagnosis of atrial fibrillation［J］. IJC Heart Vasc， 2019， 25： 100423. doi：10.1016/j.ijcha.2019.100423 .
[21]	Khaja S， Baijoo K， Aziz R. Artificial intelligence-powered advancements in atrial fibrillation diagnostics： A systematic review［J］. Egypt Heart J， 2025， 77（1）： 73. doi：10.1186/s43044-025-00670-y .
[22]	Zhang Peng， Lin Fan， Ma Fei， et al. Automatic screening of patients with atrial fibrillation from 24-h Holter recording using deep learning［J］. Eur Heart J Digit Health， 2023， 4（3）： 216-224. doi：10.1093/ehjdh/ztad018 .
[23]	Wu Cai， Hwang M， Huang T H， et al. Application of artificial intelligence ensemble learning model in early prediction of atrial fibrillation［J］. BMC Bioinformatics， 2021， 22（）： 93. doi：10.1186/s12859-021-04000-2 .
[24]	Fiorina L， Maupain C， Gardella C， et al. Evaluation of an ambulatory ECG analysis platform using deep neural networks in routine clinical practice［J］. J Am Heart Assoc， 2022， 11（18）： e026196. doi：10.1161/JAHA.122.026196 .
[25]	Palano F， Adduci C， Cosentino P， et al. Assessing atrial fibrillation substrates by P wave analysis： A comprehensive review［J］. High Blood Press Cardiovasc Prev， 2020， 27（5）： 341-347. doi：10.1007/s40292-020-00390-1 .
[26]	Hill N R， Ayoubkhani D， Mcewan P， et al. Predicting atrial fibrillation in primary care using machine learning［J］. PLoS One， 2019， 14（11）： e0224582. doi：10.1371/journal.pone.0224582 .
[27]	Choi J H， Song S H， Kim H， et al. Machine learning algorithm to predict atrial fibrillation using serial 12-lead ECGs based on left atrial remodeling［J］. J Am Heart Assoc， 2024， 13（19）： e034154. doi：10.1161/JAHA.123.034154 .
[28]	Zeidaabadi B， Patlatzoglou K， Barker J， et al. Image based artificial intelligence-enhanced electrocardiogram prediction of incident atrial fibrillation［J］. Heart Rhythm， 2026， 23（3）： 515-524. doi：10.1016/j.hrthm.2025.10.024 .
[29]	Melzi P， Vera-Rodriguez R， Tolosana R， et al. Prediction of atrial fibrillation from sinus-rhythm electrocardiograms based on deep neural networks： Analysis of time intervals and longitudinal study［J］. IRBM， 2023， 44（6）： 100811. doi：10.1016/j.irbm.2023.100811 .
[30]	Hygrell T， Viberg F， Dahlberg E， et al. An artificial intelligence-based model for prediction of atrial fibrillation from single-lead sinus rhythm electrocardiograms facilitating screening［J］. Europace， 2023， 25（4）： 1332-1338. doi：10.1093/europace/euad036 .
[31]	Jin Y， Ko B， Chang W， et al. Explainable paroxysmal atrial fibrillation diagnosis using an artificial intelligence-enabled electrocardiogram［J］. Korean J Intern Med， 2025， 40（2）： 251-261. doi：10.3904/kjim.2024.130 .
[32]	Lin J C， Chang Chenmin， Pan Hengyu， et al. Interpretable machine learning models for stroke risk prediction in patients with newly diagnosed atrial fibrillation［J］. NPJ Digit Med， 2026， 9（1）： 289. doi：10.1038/s41746-026-02470-3 .
[33]	Yu Qinkai， Azariah J L， Ahmad Z S， et al. Integration of clinical data with scanned ECGs using deep learning methods for stroke risk prediction in Indian patients with atrial fibrillation： Evidence from the KERALA-AF study［J］. Lancet Reg Health Southeast Asia， 2026， 44： 100715. doi：10.1016/j.lansea.2025.100715 .
[34]	Joddrell M， El-Bouri W， Harrison S L， et al. Machine learning for outcome prediction in patients with non-valvular atrial fibrillation from the GLORIA-AF registry［J］. Sci Rep， 2024， 14（1）： 27088. doi：10.1038/s41598-024-78120-z .
[35]	Chaudhary R， Nourelahi M， Thoma F W， et al. Machine learning predicts bleeding risk in atrial fibrillation patients on direct oral anticoagulant［J］. Am J Cardiol， 2025， 244： 58-66. doi：10.1016/j.amjcard.2025.02.030 .
[36]	Teo W Z Y， Wong M W Y， Lim F J， et al. Machine learning models for predicting bleeding risk in anticoagulated patients with atrial fibrillation and venous thromboembolism： A comparative evidence synthesis［J］. J Clin Med， 2026， 15（6）： 2370. doi：10.3390/jcm15062370 .
[37]	Truong B， Zheng Jingyi， Hornsby L， et al. Development and validation of machine learning algorithms to predict 1-year ischemic stroke and bleeding events in patients with atrial fibrillation and cancer［J］. Cardiovasc Toxicol， 2024， 24（4）： 365-374. doi：10.1007/s12012-024-09843-8 .
[38]	念思琦，赵璐露，华宝桐. 心房颤动导管消融术后房性心律失常复发的研究进展［J］. 实用医学杂志， 2024， 40（10）： 1338-1343. doi：10.3969/j.issn.1006-5725.2024.10.002 .
[39]	李艳茹，金卫东，郭皓，等. 房颤伴心力衰竭患者射频消融治疗后复发的预测模型［J］. 实用医学杂志， 2025， 41（17）： 2637-2645. doi：10.3969/j.issn.1006-5725.2025.17.005 .
[40]	Tang Siyi， 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［J］. Circ Arrhythm Electrophysiol， 2022， 15（8）： e010850. doi：10.1161/CIRCEP.122.010850 .
[41]	Park H， Kwon O S， Shim J， et al. Artificial intelligence estimated electrocardiographic age as a recurrence predictor after atrial fibrillation catheter ablation［J］. NPJ Digit Med， 2024， 7（1）： 234. doi：10.1038/s41746-024-01234-1 .
[42]	De Rosa G， Giuggia M， Peyracchia M， et al. Artificial intelligence-based evaluation of post-procedural electrocardiographic parameters to identify patients at risk of atrial fibrillation recurrence after transcatheter ablation［J］. J Clin Med， 2025， 14（22）： 8248. doi：10.3390/jcm14228248 .
[43]	Qiu Yue， Guo Hongcheng， Wang Shixin， et al. Deep learning-based multimodal fusion of the surface ECG and clinical features in prediction of atrial fibrillation recurrence following catheter ablation［J］. BMC Med Inform Decis Mak， 2024， 24（1）： 225. doi：10.1186/s12911-024-02616-x .
[44]	Georgi C， Bannehr M， Lochmann M， et al. Left atrial low-voltage areas， but not volume， predict the recurrence of atrial fibrillation in repeat ablation procedures［J］. J Cardiovasc Electrophysiol， 2024， 35（6）： 1156-1164. doi：10.1111/jce.16266 .
[45]	Truong E T， Yiheng Lyu， Ihdayhid A R， et al. Beyond clinical factors： Harnessing artificial intelligence and multimodal cardiac imaging to predict atrial fibrillation recurrence post-catheter ablation［J］. J Cardiovasc Dev Dis， 2024， 11（9）： 291. doi：10.3390/jcdd11090291 .
[46]	Ansari R， Rezayi S， Safaei A A， et al. Design and Evaluation of ACAFiB-APP， a clinical decision support system for anticoagulant considerations in patients with atrial fibrillation［J］. BMC Cardiovasc Disord， 2025， 25（1）： 166. doi：10.1186/s12872-025-04615-w .
[47]	Liu Weiting， Lin C， Lee C C， et al. Artificial intelligence-enabled ECGs for atrial fibrillation identification and enhanced oral anticoagulant adoption： A pragmatic randomized clinical trial［J］. J Am Heart Assoc， 2025， 14（14）： e042106. doi：10.1161/JAHA.125.042106 .
[48]	Dello Russo A， Valeri Y， Ciconte G， et al. AI-assisted 3D intracardiac echocardiography for pulsed field ablation of atrial fibrillation using a novel variable loop circular catheter： A multicenter evaluation［J］. J Clin Med， 2025， 14（20）： 7249. doi：10.3390/jcm14207249 .
[49]	Seitz J， Durdez T M， Albenque J P， et al. Artificial intelligence software standardizes electrogram-based ablation outcome for persistent atrial fibrillation［J］. J Cardiovasc Electrophysiol， 2022， 33（11）： 2250-2260. doi：10.1111/jce.15657 .
[50]	Bahlke F， Englert F， Popa M， et al. First clinical data on artificial intelligence-guided catheter ablation in long-standing persistent atrial fibrillation［J］. J Cardiovasc Electrophysiol， 2024， 35（3）： 406-414. doi：10.1111/jce.16184 .
[51]	Fox S R， Toomu A， Gu K， et al. Impact of artificial intelligence arrhythmia mapping on time to first ablation， procedure duration， and fluoroscopy use［J］. J Cardiovasc Electrophysiol， 2024， 35（5）： 916-928. doi：10.1111/jce.16237 .
[52]	Stacy J， Kim R， Barrett C， et al. Qualitative evaluation of an artificial intelligence-based clinical decision support system to guide rhythm management of atrial fibrillation： Survey study［J］. JMIR Form Res， 2022， 6（8）： e36443. doi：10.2196/36443 .
[53]	Tun H M， Rahman H A， Naing L， et al. Trust in artificial intelligence–based clinical decision support systems among health care workers： Systematic review［J］. J Med Internet Res， 2025， 27： e69678. doi：10.2196/69678 .
[54]	Chen Mingming， Li Tenglong， Wang Zihan， et al. Empowering atrial fibrillation detection with TabPFN and SHAP interpretation based on ECG-derived features： A dual-center temporal validation study［J］. BMC Cardiovasc Disord， 2026， 26（1）： 536. doi：10.1186/s12872-026-05936-0 .
[55]	Rawshani A， Rawshani A， Smith G， et al. Integrating deep learning with ECG， heart rate variability and demographic data for improved detection of atrial fibrillation［J］. Open Heart， 2025， 12（1）： e003185. doi：10.1136/openhrt-2025-003185 .
[56]	Bender T， Gemke P， Idrobo-Avila E， et al. Benchmarking the impact of noise on deep learning-based classification of atrial fibrillation in 12-lead ECG［J］. Stud Health Technol Inform， 2023， 302： 977-981. doi：10.3233/SHTI230321 .
[57]	李土权，戴奇山，刘震，等. 城市医疗集团心房颤动的机会性筛查成本效益分析［J］. 广州医药， 2026， 57（5）： 639-650. doi：10.20223/j.cnki.1000-8535.2026.05.015 .
[58]	汤志杰，孙国珍，王洁，等. 早期心房颤动筛查的成本效果分析研究进展［J］. 中国全科医学， 2023， 26（1）： 104-112， 117. doi：10.12114/j.issn.1007-9572.2022.0653 .
[59]	AI辅助诊断首次列入国家医保局立项指南［N］. 医师报， 2024-11-28（A02）. doi：10.44211/n.cnki.nysbz.2024.000524 .
[60]	Zhang Wei， Chen Yi， Hu Leixiao， et al. Exploring urban versus rural disparities in atrial fibrillation： Prevalence and management trends among elderly Chinese in a screening study［J］. J Geriatr Cardiol， 2025， 22（2）： 246-254. doi：10.26599/1671-5411.2025.02.001 .
[61]	魏金玲，赵洪光，牛少林，等. 基层医疗区域 “心电一张网” 运行效果分析［J］. 心血管病防治知识， 2025， 15（22）： 50-57. doi：10.3969/j.issn.1672-3015.2025.22.013 .
[62]	余新艳，顾志乐，张晓娟，等. 人工智能在远程心电云平台辅助决策基层危急值心电图中的应用价值研究［J］. 中国全科医学， 2022， 25（11）： 1363-1367， 1372. doi：10.12114/j.issn. 1007-9572.2021.01.411 .
[63]	Li Mingfang， Chen Yang， Chu Ming， et al. Village doctor-led telemedicine for rural patients aged 75 years and older with AF： A prespecified secondary analysis of the MIRACLE-AF trial［J］. JAMA Netw Open， 2026， 9（3）： e261385. doi：10.1001/jamanetworkopen.2026.1385 .
[64]	Enichen E J， Heydari K， Li Ben， et al. Telemedicine expands cardiovascular care in China–lessons for health equity in the United States［J］. Npj Digit Med， 2025， 8： 71. doi：10.1038/s41746-025-01474-9 .
[65]	高晨曦，陈德芳，陈清勇，等. 可穿戴/移动设备在隐匿性心房颤动管理中的应用进展和挑战［J］. 中国全科医学， 2024， 27（30）： 3835-3840. doi：10.12114/j.issn.1007-9572.2023.0755 .
[66]	Guo Yutao， Lane D A， Wang Limin， et al. Mobile health technology to improve care for patients with atrial fibrillation［J］. J Am Coll Cardiol， 2020， 75（13）： 1523-1534. doi：10.1016/j.jacc.2020.01.052 .
[67]	丁岚，涂惠，丁美舟，等. 基于互联网技术的心房颤动病人抗凝管理平台的建立及应用研究［J］. 全科护理， 2023， 21（4）： 522-526. doi：10.12104/j.issn.1674-4748.2023.04.022 .
[68]	Nair P， Dai M， Patel D A， et al. Equity by design–using digital technology to overcome cardiovascular health disparities［J］. Curr Cardiol Rep， 2025， 27（1）： 157. doi：10.1007/s11886-025-02319-3 .
[69]	国家药监局.人工智能医用软件产品分类界定指导原则［EB/OL］. （2021-07-08）［2026-07-15］.
[70]	Han Yu， Ceross A， Bergmann J. Regulatory frameworks for AI-enabled medical device software in China： Comparative analysis and review of implications for global manufacturer［J］. JMIR AI， 2024， 3： e46871. doi：10.2196/46871 .
[71]	赖锦坝，曾祥卫，孙志刚，等. 人工智能心电分析软件审评关注点研究［J］. 中国医疗器械信息， 2022， 28（7）： 12-14. doi：10.3969/j.issn.1006-6586.2022.07.004 .
[72]	苏磊. AI辅助诊断系统的数据安全与隐私保护机制研究［J］. 数字通信世界， 2026（2）： 76-78. doi：10.3969/J.ISSN.1672-7274.2026.02.026 .
[73]	Dolezel D， Lalani K， Watzlaf V， et al. AI privacy and security in healthcare： A systematic literature review［J］. Int J Telerehabil， 2026， 18（1）： 6747. doi：10.63144/ijt.2065.6747 .

对比维度	贴片式监测仪	植入式循环记录器	智能纺织心电设备	手持式心电记录仪	可穿戴设备
技术原理	体表粘贴式电极，连续记录单导联或多导联心电信号	皮下植入，长期连续记录皮下单导联ECG	将电极与织物纤维融合，以无感穿戴形式采集心电信号	手持电极接触体表，按需采集单导联ECG	PPG通过光电传感器监测外周血流搏动信号
性能优势	无创、舒适度较好、可长时间连续佩戴，能评估AF负荷	可超长程监测（数月到数年），对偶发/无症状AF检出能力强	无感化、舒适度好及依从性极高	操作简便、成本低廉，适合快速按需采集，不依赖长期佩戴	去中心化、居家场景适用，无需专业操作，可大规模普适性部署
局限性	信号伪影、电极稳定性挑战，长期佩戴可能引发皮肤不适	有创植入、高昂成本，目前难以作为社区大规模筛查常规手段	处于发展初期，信号稳定性不足、算法成熟度待验证、研发成本高	属于片段式按需采集，可能遗漏阵发性AF，依赖患者主动触发	信号质量易受运动伪影、肤色、外周灌注状态干扰；在老年/血管疾病人群中性能明显下降；假阳性率偏高；研究多由厂商资助，存在选择性报告偏倚
最佳适用场景	医院内长程监测、卒中高危人群二级预防、AF负荷精确评估	不明原因晕厥/隐源性卒中、高度怀疑偶发AF但反复常规检查阴性者	长期居家舒适化监测	基层医疗机构、医疗资源匮乏地区、大规模流行病学现场快速筛查	社区大规模人群初筛、居家健康管理（尤其适合中青年、低风险人群的初步风险提示）

Artificial intelligence-enabled comprehensive management of atrial fibrillation： Advances in application， barriers to translation and considerations on health equity

RichHTML

PDF (PC)

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 4

References 73

Related Articles 15

Recommended Articles

Metrics

Comments

[1]	Jiaqian ZHONG,Xiaoyan XIE,Yanling ZHENG. Advances in the application of multimodal ultrasound and artificial intelligence in the early diagnosis and prognostic prediction of breast cancer [J]. The Journal of Practical Medicine, 2026, 42(9): 1491-1500.
[2]	Xiaorui QIU,Yidan ZHANG,Guofeng YANG. Applications of multimodal artificial intelligence in early Alzheimer's diagnosis： A review of current trends， obstacles， and clinical translational strategies [J]. The Journal of Practical Medicine, 2026, 42(9): 1579-1585.
[3]	Sokhan CHOI,Dongning ZHU,Haowei XU,Jiaqi HUANG,Xiaoyu LI,Zhuohao LI,Xiufeng LIU,Yuhong YAN. Application of a deep learning-based tongue image classification system in TCM syndrome identification of psoriasis [J]. The Journal of Practical Medicine, 2026, 42(3): 395-405.
[4]	Xin ZHU,Yangbiao LIANG,Xiong XIAO,Jialin XIE,Junyan ZHU,Yan CHEN. Development of a disease activity assessment model for rheumatoid arthritis using ultrasound radiomics and deep learning [J]. The Journal of Practical Medicine, 2026, 42(15): 2786-2797.
[5]	Shuxin LI,Rongli ZHANG,Xiongfeng QIU,Zhenyun HU,Weiming WU,Huilin JIANG,Min LI,Huai CHEN. Development and validation of a model based on AI and imaging features from non-contrast chest-abdomen CT for diagnosing aortic dissection [J]. The Journal of Practical Medicine, 2026, 42(11): 1906-1914.
[6]	Yingmei HAN,Yijie LI,Heng ZHANG,Weiqing LI,Ze FENG,Feng WANG. The application value of deep learning in imaging studies for predicting the conversion of Alzheimer′s disease [J]. The Journal of Practical Medicine, 2025, 41(9): 1413-1424.
[7]	Rui GUO,Tao LIU,Xi. SU. Establishment of a nomogram model for comorbid cardiovascular disease in schizophrenia based on electrocardiogram parameters and kynurenine metabolites [J]. The Journal of Practical Medicine, 2025, 41(8): 1205-1211.
[8]	Weixiang FENG,Juan WANG,Yanbin SONG,Sheliang XUE,Wenhua LI. The long⁃term prognosis of nonparoxysmal atrial fibrillation （NPAF） patients after radiofrequency catheter ablation [J]. The Journal of Practical Medicine, 2025, 41(7): 1036-1043.
[9]	Likun WANG,Qi HAO,Weihan JIN,Shizheng DONG,Xueliang WU,Xiaofeng HU,Liang WU,Jing XUN,Hongqing MA. Application of multi⁃omics and artificial intelligence in the prediction and diagnosis of liver metastases in colorectal cancer [J]. The Journal of Practical Medicine, 2025, 41(7): 1070-1078.
[10]	Ying ZOU,Jihua LIU,Jingyi LI,Hai BI,Yan SHI,Xiudi LU,Qibo. ZHANG. Efficacy of transfer learning artificial intelligence model based on ultrasound in evaluating the probability of malignancy of partially cystic thyroid nodule [J]. The Journal of Practical Medicine, 2025, 41(6): 889-895.
[11]	Gaokai HU,Ya'nan NIU,Yukang GONG,Yang HU,Ruixuan XU,Wenshan. GAO. Research progress on the application of deep learning in lumbar spine disease [J]. The Journal of Practical Medicine, 2025, 41(6): 921-928.
[12]	Dan ZHU,Wanjun LU,Ying ZHU,Jinlu CAO,Yingzi CHEN. Developing an unsupervised deep learning model for diabetic nephropathy prediction using panoramic fundus retinal images [J]. The Journal of Practical Medicine, 2025, 41(22): 3598-3608.
[13]	Wei LU,Pan ZHANG,Yushu. QIN. Clinical significance of CT perfusion imaging combined with artificial intelligence in evaluating reperfusion injury after cerebral infarction [J]. The Journal of Practical Medicine, 2025, 41(2): 264-270.
[14]	Chun WANG,Xiaodi WANG,Haitao ZHANG,Dan. LIU. Predictive value of ai quantitative parameters combined with 256⁃slice spiral CT scans for the invasiveness of lung ground⁃glass nodules [J]. The Journal of Practical Medicine, 2025, 41(19): 3106-3111.
[15]	Yanru LI,Weidong JIN,Hao GUO,Minglei HAN,Zhen LIU,Yonglan HOU. Nomogram model of recurrence after RFCA for patients with atrial fibrillation complicated with heart failure [J]. The Journal of Practical Medicine, 2025, 41(17): 2637-2645.