潜伏的危险——亚临床房颤的检测和管理

心房颤动（房颤）是临床上最常见的心律失常。有研究者预测，在未来25年，随着房颤发病率的持续增长和人口老龄化的不断发展，房颤可能成为重大的全球性医疗危机。虽然房颤的检测手段有一定的进步，但对无症状性房颤和阵发性房颤的诊断仍然较为困难。

亚临床房颤（Subclinical atrial fibrillation，SCAF）与心血管疾病死亡率、全因死亡率增加，以及卒中风险显著升高有关，其初发症状可能表现为致命性缺血性卒中。目前，临床上对SCAF发病率的估计可能远低于实际水平。

目前，植入式和可穿戴心电设备已经能检测到SCAF，基于机器学习的人工智能心电图（AI-ECG）已经能识别出SCAF高风险的患者。使用人工智能心电图来对SCAF患者进行筛查，有助于实现早期检测和早期治疗，减少房颤相关的疾病负担。然而，对于症状性房颤风险增高的患者应该如何管理，以及进行筛查能否使特定的无症状人群受益，目前尚不清楚。

近日，在Annu Rev Med发表的一篇综述中，研究者结合最新的文献，对SCAF的流行病学、检测方法、临床意义、筛查方法和管理策略进行了总结。

定义

根据美国心脏协会（AHA）的定义，SCAF指的是由心电监测设备（包括起搏器、植入式或可穿戴心电设备）识别，并通过心内心电图或心电图节律确认的无症状性房颤发作。对于具有临床意义的SCAF持续时间，目前还存在争议。

流行病学

据估计，成人的临床房颤发病率为2%-4%。预计到2030年，由于普通人群寿命的延长和检测能力的增强，房颤发病率将增加一倍。与临床房颤相比，SCAF的发病率更难确定。

有研究表明，在年龄≥65岁的成人中，SCAF发病率为1.0%-6.2%，而在有心脏植入式电子设备（Cardiac implantable electronic devices, CIEDs）的患者中，SCAF发病率高达34.8%。

Apple heart研究发现，在纳入的超过400000名年龄≥22岁的美国成年人中，脉搏不规则的发生率为0.52%。在脉搏不规则的个体中，有1/5的患者接受了心电图监测，其中超过1/3被诊断为房颤。但该研究队列平均年龄为41岁，房颤风险相对较低，研究结果可能存在偏倚。

血栓栓塞风险

研究显示，SCAF与血栓栓塞事件风险增加有关，但与临床房颤相比，与SCAF相关的绝对卒中风险较低。对于SCAF持续时间与血栓栓塞事件风险的联系，目前尚无一致意见。

ASSERT研究表明，SCAF持续时间>6分钟与卒中风险增加2.5倍有关。然而，基于SCAF持续时间的分层分析显示，SCAF持续时间<24小时的患者的血栓栓塞风险与无SCAF的患者相当。另一项研究证实，血栓栓塞事件与房颤持续时间>24小时的独立相关。总的来说，持续时间<1分钟的SCAF与栓塞事件无显著相关性。

除持续时间外，SCAF相关的卒中风险还与传统风险因素（包括高血压、糖尿病和缺血性心肌病）有关。ASSERT研究显示，卒中绝对风险随CHADS₂评分的增加而增加；结合房颤持续时间与CHADS₂评分，也可预测卒中风险增加。

检测

SCAF常由于患者植入了心电设备，或因其他疾病（如卒中或心力衰竭）进行检查而发现。在没有明确指征的情况下，SCAF很少被检测到。然而，在临床事件发生后才检测到SCAF，就可能错过实施一级预防的机会。

一般来说，与短期心电监测、脉搏测量、听诊等方式相比，长期心电监测能更有效地识别既往未诊断的房颤。一项针对血栓栓塞高风险患者（≥75岁的高血压患者）的研究显示，连续贴片式心电监测可使房颤诊断率提高10倍。然而，对于潜在的SCAF患者而言，这种监测方式可能存在不便利和价格昂贵的缺陷。

目前，基于机器学习的人工智能心电图识别房颤的能力已经与人工识别能力相当。此外，有一种人工智能心电图模型可以利用窦性心律心电图来识别房颤患者，而使用同一名患者的多张窦性心律心电图能提高模型的预测能力。据称，该模型能识别出人眼无法辨认的细微心电图特征，这些特征反映了与房颤有关的心脏结构变化。这种人工智能心电图模型可用于高危人群的房颤筛查，以及不明原因栓塞性卒中的鉴别。

预测因素

有研究显示，SCAF患者的年龄通常较大，舒张压较高，但伴有糖尿病的可能性较低；既往心肌梗死病史不能预测SCAF，但心力衰竭病史有一定的预测作用。一项研究显示，既往心力衰竭病史、左心房容积指数增加和窦房结疾病是SCAF的独立预测因素。此外，有研究显示，体重指数（BMI）＞24与房颤风险增加有关，而减肥可减轻疾病负担和症状严重程度；中年耐力运动员的临床房颤风险比对照组高5倍。

尽管有多项研究试图确定与具体的房颤预测因素，但仍未得出明确的结果。目前，CHARGE-AF评分仍然是预测效果最佳的临床房颤评分工具，而人工智能心电图模型的独立预测能力与CHARGE-AF评分相当。联合使用临床风险因素、多张窦性心律心电图特征和人工智能心电图模型，可能有助于提高SCAF筛查的效率。

管理

由于缺乏明确定义的有临床意义的SCAF阈值、临床风险因素和人工智能心电图模型预测阈值，不同的医疗机构可能会对SCAF患者采用不同的管理策略。

目前，尚不清楚对SCAF患者的卒中一级预防应何时启动。IMPACT研究显示，在植入了心脏植入式电子装置的患者中，基于远程心电监测的早期启动的抗凝策略，与标准护理相比没有明显差异。NOAH-AFNET和ARTESiA研究正在进行中，可能有助于进一步明确SCAF患者的血栓栓塞风险和抗凝治疗的获益。

由于缺乏随机对照试验数据的支持，建议临床医生结合患者的风险因素（CHADS2评分、既往卒中病史、心力衰竭等）和SCAF负担，在与患者沟通抗凝治疗的风险和获益后，决定是否开始抗凝治疗。

结论

综上所述，许多SCAF患者尚未得到诊断，这部分患者可能面临卒中高风险，并加重医疗体系的负担。提高对房颤高风险个体和具有临床意义的SCAF的识别能力，有助于早期筛查和制定相应的预防策略。关于SCAF抗凝治疗的获益及风险存在争议，还需要更多临床研究数据的支持。

参考文献：Kashou AH, Adedinsewo DA, Noseworthy PA. Subclinical Atrial Fibrillation: A Silent Threat with Uncertain Implications. Annu Rev Med. 2022 Jan 27; 73: 355-362.doi: 10.1146/annurev-med-042420-105906. Epub 2021 Nov 17. PMID: 34788544.