浙江大学蒋晨阳教授团队在CVIA期刊发表题为Deep learning-based handheld device-enabled symptom-driven recording: a pragmatic approach for the detection of post-ablation atrial fibrillation recurrence 的研究论文，介绍了一种通过部署深度学习支持的手持设备来实现基于家庭的心律监测随访模式。

房颤消融术后存在一定复发率，由于计划随访低效和植入式设备缺乏依从性，针对复发的识别难以兼顾强度和实用性。本研究目标是创新构建一种心律监测模式，以适配房颤复发的无规律性和复发时长变异大的特点。首先，基于深度学习自动识别复发节律，以手持式设备为依托实现随时采集、即时识别，有效呈现症状与房颤复发的相关性，为临床决策提供依据。其次，与指南推荐的传统监测手段进行比较，展现新模式在识别复发数量和早期识别的双相优势。

该模式创新之处在于使用深度学习解除心律监测对医疗场所的依赖，构建居家随访模式，从而优化对房颤复发的识别。

研究结果表明，对房颤复发的识别存在心电采集的依赖性，且复发的时间分布不利于传统基于医疗场所监测，而新模式提高了复发的识别率和识别效率。

本研究提出了一种创新的消融术后房颤复发的监测模式，利用深度学习实现强化监测，从而优化对房颤复发的识别。该模式在心电监测领域具有重大应用潜力，为临床决策和未来的医疗行为提供了实例和方向。

第一作者简介：

陈来特

陈来特，浙江大学内科学博士，临床医学博士后，从事心血管病学临床和人工智能相关的研究工作（1239663987@qq.com）