目的:评估连续光电容积脉搏波算法应用于可穿戴设备时，检出心房颤动（房颤）和评估房颤负荷的准确性。方法:本研究是一项自身对照的前瞻性队列研究，连续纳入2022年9至11月于首都医科大学附属北京安贞医院心内科住院治疗的254例房颤患者。所有受试者同时佩戴2种设备：（1）心电手表，用于采集光电容积脉搏波（W-PPG）和心电图（W-ECG）；（2）心电贴，用于采集心电图（P-ECG）。分别以30 s数据片段和受试者个体为单位，将心电手表得出的测量结果与心电图专家判读心电贴结果相对比，采用受试者工作特征曲线评估其敏感度和特异度。按照房颤负荷比例均分为4个分段，计算由房颤分析软件得出的房颤负荷与心电图专家判别心电贴结果得出的房颤负荷差值。结果:254例受试者的年龄为（63.04±11.04）岁，99例（38.98%）为女性，持续性房颤患者97例（38.19%）。以心电图专家判读心电贴的结果为标准，以片段为单位时，P-ECG算法的敏感度为94.86%（95% CI：94.81%~94.91%），特异度为99.30%（95% CI：99.28%~99.31%），W-PPG算法的敏感度为96.07%（95% CI：95.97%~96.18%），特异度为98.62%（95% CI：98.59%~98.65%）；以个体为单位时，P-ECG算法的敏感度为92.55%（95% CI：87.57%~95.71%），特异度为96.39%（95% CI：93.45%~98.09%），W-PPG算法的敏感度为93.71%（95% CI：88.75%~96.67%），特异度为89.62%（95% CI：85.61%~92.65%）；以单次采集W-ECG记录为单位时，W-ECG算法的敏感度为92.04%（95% CI：88.14%~94.78%），特异度为96.19%（95% CI：94.35%~97.47%）。房颤负荷评估方面，各负荷分布区间内W-PPG分析结果与心电图专家判读心电贴结果相差均小于2%。 结论:连续PPG算法应用于可穿戴设备检测房颤是一种可行策略。以心电图专家判读心电贴的结果为标准，通过智能手表连续监测PPG对于房颤诊断具有较高的准确性，同时也可有效地完成房颤负荷评估。

目的:了解中国和法国医学生临床诊疗能力，以改进我国临床医学教育，提高医学生临床诊疗能力，为提高医学人才培养质量提供参考和借鉴。方法:回顾分析中法医学生临床技能竞赛情况，比较三类学生（全科住院医师1个队伍、中国本科生3个队伍、法国本科生3个队伍）成绩百分比。结果:在临床基本技能--心电图、影像学判读站点，全科住院医师得分比中法本科生高，中、法本科生差别并不大。临床虚拟病例站点，除外科站点个别项目外，全科住院医师、中国本科生在众多评价项目中均好于法国本科生。在内科站点，在8项评分标准中，有6项法国本科生高于中国本科生。在医疗团队综合急救站点，在10项评分标准中，有8项中国本科生高于法国本科生。结论:武汉大学本科生临床思维与决策有待提高；本校全科住院医师在临床思维与决策、急救团队配合方面有待加强。

我国的室性心律失常介入治疗发展迅速，但目前在临床实践中尚存在很多共性问题。诸如，指南建议在真实世界的落地情况远不理想、多数医生难以准确判读室性心律失常心电图，以及开展经皮心包穿刺途径行器质性心脏病室性心律失常心外膜消融的中心仍然不足等。本文结合本期杂志刊登的几篇论文，简述了积极开展基于我国国情的，以临床共性问题为导向的室性心律失常相关研究的重要性。

人工智能是心电诊断领域的研究热点和发展趋势。心电图在心血管疾病的诊断中具有重要作用，但其准确判读需要相当的专业理论知识。目前，机器学习在心电图自动筛查、诊断及预测心血管疾病等方面均有较大进展，在某些领域，已经实现快速而类似医师的解读。更为重要的是，多层神经网络能够精准识别肉眼不可见的信号和模式，使心电图成为一种无创而有效的检查手段。该文主要综述人工智能在心电图中的应用现状，重点关注心律失常、冠心病、心功能不全及肥厚型心肌病，并讨论其局限性和未来发展方向。

目的:探讨基于自绘图解法的实训教学对12导联心电图（electrocardiogram，ECG）判读的教学效果。方法:选择山东医学高等专科学校2018级临床医学专业10个教学班489名学生作为研究对象，分为对照组与实验组。对照组采用理论讲授+传统实训教学，实验组采用理论讲授+自绘图解法实训教学。比较两组学生ECG专项测试成绩、考核优秀人数及期末考试ECG部分成绩。发放调查问卷，评估不同教学方式对学生的影响。采用SPSS 25.0统计软件进行 t检验和卡方检验。 结果:与实验组比较，对照组的ECG专项测试成绩、优秀人数及期末考试ECG部分成绩均降低，差异有统计学意义（ P<0.01）。调查问卷结果显示实验组在对ECG异常图形掌握程度、学习主动性及自信心方面均较高，对ECG整体教学的满意度也较好（ P<0.01）。 结论:基于自绘图解法的实训教学能够提高ECG的判读技能，使学生的学习主动性及自信心得到提高，获得了较好的教学效果。

目的:分析基于智能腕表的单导联心电图（iECG）算法识别窦性心动过速及快心室率心房颤动（房颤）的准确性。方法:本研究为非随机对照试验，于2020年12月15日至2022年5月30日在解放军总医院招募642例≥18岁窦性心动过速（心率111~145次/min）或快心室率房颤（心率110~150次/min）患者为受试者，使其左手腕佩戴华为Watch GT2 Pro智能腕表，将放松状态下腕表检测的生理信号作为实测数据，采用华为公司基于智能腕表的iECG算法进行识别，同时进行12导联心电图（12L-ECG）检查，并由2名心内科医师进行判读作为金标准。根据检测结果，排除不符合纳排标准的受试者3例，最终入组639例为研究对象。采用召回率、精确率、多分类的综合准确率宏观F1值评价该算法识别窦性心动过速及快心室率房颤的准确性。结果:纳入分析的639例受试者中，男性469例，女性170例，窦性心动过速389例，快心室率房颤250例，年龄（46.53±13.32）岁。iECG算法识别窦性心动过速的召回率为98.7%，精确率为99.2%，F1值为99.0%；识别快心室率房颤的召回率为98.8%，精确率为98.0%，F1值为98.4%；识别窦性心动过速及快心室率房颤的二分类宏观F1值为98.7%。基于智能腕表的iECG及对应的12L-ECG波形表现出良好的一致性。结论:基于智能腕表的iECG算法可有效识别窦性心动过速及快心室率房颤，并表现出良好的准确性。

2021年7月1日至8月31日，选取基层与全科培训人员共60人，分为接受常规心电教学方法培训的对照组（30人）和接受人工智能识图系统指导学习培训的试验组（30人），培训前和培训2个月后进行量化考核评价。对照组培训前后基础得分分别为（44.33±10.33）、（68.00±9.61）分；试验组分别为（43.33±9.94）、（76.00±11.92）分。培训前两组成绩比较差异无统计学意义（ t=0.381， P=0.705），培训后试验组得分更高，差异有统计学意义（ t=2.86， P=0.006）。与对照组相比，试验组在心房颤动/心房扑动、窦性心律不齐、房室传导阻滞判图方面正确率［100.00%（30人）比70.00%（21人），96.67%（29人）比73.33%（22人），86.67%（26人）比43.33%（13人）］更高（χ 2=10.59、6.40、12.38； P<0.05）。提示相比传统集中教学方法，人工智能心电识别系统在基层医疗培训中的效果显著。

目的:评估智能手表(Apple Watch)心电图应用在不同心室率患者中检测心房颤动(房颤)发作的诊断性能。方法:入选2019年7月1日至2021年3月3日于上海交通大学医学院附属同仁医院就诊并完善12导联心电图检查且明确诊断为房颤或窦性心律的患者，同时完善智能手表心电图检查。根据12导联心电图的心室率将患者分为3组(A组，心室率<60次/min；B组，心室率60~100次/min；C组，心室率>100次/min)。电生理学家对12导联心电图及智能手表记录的单导联心电图分别判读。以电生理学家判读的12导联心电图结果为金标准，计算和比较智能手表单导联心电图的节律分类算法和电生理学家判读的智能手表心电图在不同心室率患者中检测房颤发作的灵敏度、特异度、 Kappa值。 结果:共入组248例患者，其中男122例(49.2%，122/248)，年龄(74.25±11.67)岁。12导联心电图诊断：129例为窦性心律，119例为房颤。与12导联心电图结果相比，智能手表单导联心电图的节律分类算法在A(41例)、B(163例)、C(44例)组患者中检测房颤发作的灵敏度分别为81.80%、63.83%、68.75%( Kappa值分别为0.98、0.70、0.55)，特异度均为100%。而电生理学家判读的A、B、C组患者智能手表心电图在检测房颤发作的灵敏度(100.00%、88.20%、93.80%， Kappa值分别为1.00、0.88、0.89)比智能手表心电图节律分类算法明显提高，特异度均为100%。 结论:智能手表心电图应用检测房颤的节律分类算法仍需进一步改善。在低心室率患者中，使用智能手表检测房颤的临床效果最佳，为提高其诊断性能，智能手表心电图由电生理专家判读会更加可靠。

心力衰竭（心衰）是多种心脏疾病的终末阶段，需要及早诊断、进行危险分层和个体化管理。心电图是临床最常用的工具之一，其使用方法简单，可迅速高效地对患者心脏的电活动及结构功能进行动态检测。但在心衰患者的诊断与评估中，心电图存在特异性低、主观性强、严重依赖专业人员的判断能力等局限性，而人工智能（AI）技术可有效弥补心电图人工判读的不足。当前AI已在医疗大数据中广泛应用，可区分疾病表型、进行事件预测和复杂决策，而心电图因其数据量大、信息丰富、便于储存和传输等特点，具备与AI相结合的独特优势。该文将综述心电图AI在心衰诊断、精准分型和治疗指导等方面的研究进展。

目的:应用深度学习算法建立基于纸质版12导联体表心电图的人工智能模型，评估并比较其与心律失常专科医生对流出道室性心律失常起源部位定位的效能。方法:收集2011年5月1日至2020年12月31日在首都医科大学附属北京朝阳医院、温州医科大学附属第二医院、浙江大学医学院附属邵逸夫医院、北京大学第三医院经射频消融术成功治疗的527例流出道室性心律失常患者的861份纸质版室性心律失常心电图。以术中成功消融靶点作为金标准，对以深度学习为基础的人工智能模型进行训练、验证及测试。两位心律失常专科医生根据经典定位流程图及临床经验对测试集心电图进行靶点判断。对比深度学习算法与人工判读的敏感性、特异性和准确性等。结果:基于纸质版常规12导联体表心电图的扫描图像建立的人工智能模型的灵敏度、特异度、准确率、受试者工作特征曲线下面积、F1指数分别为94.0%、83.3%、93.0%、0.93和0.96。针对测试集，专科医生判读的平均灵敏度、特异度和准确率分别为95.7%、83.3%和94.6%。结论:在流出道室性心律失常起源定位方面，基于纸质版心电图的深度学习算法表现出较高性能，与心律失常专科医生的判断水平相当。