《Heliyon》：Advanced QT interval analysis in long-term electrocardiography using shape-based clustering and template matching: A novel approach for Holter monitoring
编辑推荐：
目前 QT 间期（QT interval）分析存在准确性欠佳、缺乏标准化全自动方法等问题。研究人员开展了基于形状聚类和模板匹配的 QT 间期分析算法研究。结果显示该算法准确性高、可靠性强。这为临床评估药物诱导的 QT 间期延长等提供了有力工具，有助于提升患者诊疗水平。
在心血管疾病研究领域，QT 间期（指心电图中 QRS 波起点到 T 波终点的时间间隔 ）的准确分析至关重要。药物诱导的 QT 间期延长可能引发致命性心律失常，如尖端扭转型室速（Torsade de Pointes）。然而，由于 T 波形态多变，在长期心电图（ECG）记录（如动态心电图监测）中准确分析 QT 间期颇具挑战。传统分析方法多为手动或半自动，既缺乏一致性又效率低下。而且目前尚无标准化、完全自动化的方法用于有限导联的长期心电图 QT 间期分析。因此，研发一种可靠且自动化的分析方法迫在眉睫。
日本的 Cardio Intelligence Inc 等机构的研究人员针对上述问题展开研究。他们开发了一种新颖的 QT 间期分析算法，该算法将 K 形状聚类（K-shape clustering）与有限路径长度的动态时间规整（Dynamic Time Warping under Limited Warping Path Length，LDTW ）用于模板匹配。研究结果表明，该算法能精准识别和分析不同 T 波形态的 QT 间期，与专家人工分析结果高度吻合，且在处理双相 T 波时表现优于商业软件 DSC5500。此研究成果发表于《Heliyon》，对临床应用和改善患者护理及诊断中的 QT 间期分析意义重大。
研究人员采用了多种关键技术方法。首先，对 ECG 数据进行预处理，包括提取心跳波形（将每个心跳作为独立单元，从连续心电图数据中提取，标准化时长为 1600ms ）、去除噪声（使用低通滤波器消除高频噪声 ）和数据标准化（使数据均值为 0、标准差为 1 ）。其次，运用 K 形状聚类方法将心跳数据分类，设定聚类数为 12，使用 Python 的 TSlearn 库进行聚类操作。然后，通过计算动态时间规整（DTW）距离选择心跳数据并创建模板，同时利用 LDTW 方法确定模板与个体心跳之间的规整路径，进而计算 QT 间期并进行心率校正。此外，研究使用 PhysioNet 的 QT 数据库数据评估算法有效性。
研究结果如下：
数据筛选 ：对 QT 数据库中 105 例波形进行审核，依据既定技术排除标准，排除 26 例患者数据，最终 79 例患者数据纳入评估。经预处理和聚类，共分析 71,905 个心跳波形，其中多数 T 波形态正常，少数为负向或双相 T 波。QT 分析执行 ：对 79 例患者数据成功进行模板注册，并计算出 QT 和 QTcB（经 Bazett 校正后的 QT 间期 ）间期。评估计算结果与人工评估一致性 ：研究算法计算的 QT 和 QTcB 间期与专家注释结果相比，组内相关系数（ICC ）均超 0.7，表明一致性高。与 DSC5500 相比，研究算法在所有波形尤其是双相 T 波上表现更优。散点图和 Bland–Altman 图显示，算法计算的 QT 间期与专家注释相关性高，误差偏差低。分析工作时间 ：临床实验室技术人员使用该算法分析 15 分钟数据，平均每例耗时 13 分钟，大部分时间用于模板注册，其余任务自动化。
研究结论和讨论部分指出，新算法能高精度分析 QT 间期，结果与医生分析高度一致。该算法具有两大显著优势：一是对 T 波形态变化的波形也能准确分析；二是分析时间效率高，可在短时间内处理大量长期 ECG 数据。然而，研究也存在局限性，如依据排除标准排除了部分数据，且未评估同一病例内 QT 间期的变化。总体而言，该研究开发的算法为长期心电图 QT 间期分析提供了新途径，虽有不足，但仍具有重要的临床应用潜力，有望推动心血管疾病诊疗中 QT 间期分析技术的发展 。
閹垫捁绁�
娑撳娴囩€瑰宓庢导锔炬暩鐎涙劒鍔熼妴濠団偓姘崇箖缂佸棜鍎禒锝堥樋閹活厾銇氶弬鎵畱閼筋垳澧块棃鍓佸仯閵嗗甯扮槐銏狀洤娴ｆ洟鈧俺绻冩禒锝堥樋閸掑棙鐎芥穱鍐箻閹劎娈戦懡顖滃⒖閸欐垹骞囬惍鏃傗敀
10x Genomics閺傛澘鎼isium HD 瀵偓閸氼垰宕熺紒鍡氬劒閸掑棜椴搁悳鍥╂畱閸忋劏娴嗚ぐ鏇犵矋缁屾椽妫块崚鍡樼€介敍锟�
濞嗐垼绻嬫稉瀣祰Twist閵嗗﹣绗夐弬顓炲綁閸栨牜娈慍RISPR缁涙盯鈧鐗哥仦鈧妴瀣暩鐎涙劒鍔�
閸楁洜绮忛懗鐐寸ゴ鎼村繐鍙嗛梻銊ャ亣鐠佹彃鐖� - 濞ｅ崬鍙嗘禍鍡毿掓禒搴ｎ儑娑撯偓娑擃亜宕熺紒鍡氬劒鐎圭偤鐛欑拋鎹愵吀閸掔増鏆熼幑顔垮窛閹貉傜瑢閸欘垵顫嬮崠鏍掗弸锟�
娑撳娴囬妴濠勭矎閼崇偛鍞撮摂瀣鐠愩劋绨版担婊冨瀻閺嬫劖鏌熷▔鏇犳暩鐎涙劒鍔熼妴锟�
