跳到正文
可穿戴与测量科学研究论文3 分钟阅读

人工智能可穿戴设备用于心脏监测:心律失常检测准确,但证据规模小、周期短

MoveVitals 编辑部 · 研究发表 · 解读更新

原文:Wearable Devices and AI-Driven Remote Monitoring in Cardiovascular Medicine: A Narrative Review. · Cureus · 2025 · 论文原文 ↗

先看重点

一项叙述性综述发现,人工智能可穿戴设备在心律失常检测中诊断准确度高,在心力衰竭监测中结果令人期待,尤其是获得美国食品药品监督管理局(FDA)或欧盟CE认证的设备。多数研究规模小、周期短且在受控环境中进行,综述也没有给出合并数值。

证据类型

研究论文

解读依据

公开摘要

阅读重点

方法与适用范围

研究在问什么

整合人工智能的可穿戴设备有望实时监测心血管状况并更早发现问题,但证据的质量和临床适用性参差不齐。作者回顾了人工智能可穿戴设备用于心脏疾病的已有证据,并指出其中的空白。

研究了谁,如何研究

叙述性综述,通过结构化布尔检索,纳入2013年1月至2025年6月发表的英文同行评审原始研究、临床试验、综述和监管文件。筛选时优先选择随机试验、前瞻性观察研究以及监管背景明确的真实世界应用报告,并对设备分类、测量的生理参数、人工智能技术、临床验证和患者参与情况做叙述性分析。摘要没有说明检索的数据库,也没有给出纳入研究的数量。

主要发现

以下为作者报告的结果。数字须连同人群和不确定性一起阅读。

  1. 1
    证据显示心律失常检测的诊断准确度高,心力衰竭监测的结果令人期待,尤其是获得美国食品药品监督管理局(FDA)批准或有欧盟CE标志的设备。
  2. 2
    多数研究规模小、周期短,并在受控环境中进行,限制了结果的推广。
  3. 3
    存在的空白包括:多样化人群代表性不足、与电子健康档案缺乏互操作性、人工智能可解释性有限,以及成本效益评价不完整。
  4. 4
    对患者参与的处理不一致,多数研究只报告了基本的易用性或满意度。

局限与不确定性

  1. 1
    叙述性综述没有说明纳入研究数量,也没有合并估计,无法说明某种设备平均有多准。
  2. 2
    准确度数据多来自小型受控研究,没有反映真实生活中的误报和漏报。
  3. 3
    作者优先选择了某些研究设计,选择过程可能偏向有利证据;摘要没有说明质量评价。
  4. 4
    本文仅依据摘要解读。

对日常健康的启示

智能手表和贴片的心律提醒可以提示您去做检查,但这篇综述没有证明它们能在日常生活中改善结局。无论是警报还是正常读数,都应与医生沟通,而不是自行诊断。

如何联系自己的数据

手表上的心率、心律不齐提醒和类心电图记录,是本文所述设备的消费级版本。请使用同一设备并按说明佩戴,保存警报记录以便给医生看,把趋势当作背景信息而不是证据。

如何理解这类证据

索引未明确确定具体研究设计,应先读方法;核对人群、对照、结局和不确定性,再判断能否作因果解释。

作者的结构化摘要 English

以下英文摘要按记录的开放许可转载,属于作者原始材料,不是 MoveVitals 的解读。上方已提供研究解读,分别说明作者结果与本站解释;重要结论可直接核对原文。

Background

AI-integrated wearable devices (WDs) offer real-time cardiovascular disease (CVD) monitoring with the potential to improve early detection and patient-centred care. However, the breadth, quality, and clinical applicability of supporting evidence remain variable.

Methods

A narrative review was conducted of peer-reviewed original studies, clinical trials, reviews, and regulatory documents published in English from January 2013 to June 2025. A structured Boolean search identified literature on AI-enabled WDs for cardiovascular monitoring. Selection criteria prioritised randomised trials, prospective observational studies, and real-world implementation reports with a clear regulatory context. Studies were narratively analysed for device classification, physiologic parameters measured, AI techniques, clinical validation outcomes, and evidence of patient engagement.

Results

Evidence demonstrates high diagnostic accuracy for arrhythmia detection and promising outcomes in heart failure monitoring, particularly with Food and Drug Administration or Conformité Européenne-approved devices. Nonetheless, most studies were small, short-term, and conducted in controlled settings, limiting generalisability. Key gaps include underrepresentation of diverse populations, lack of interoperability with electronic health records, limited AI explainability, and incomplete cost-effectiveness evaluation. Patient engagement was inconsistently addressed, with most reporting only basic usability or satisfaction measures rather than co-design or adherence optimisation strategies.

Conclusion

AI-integrated WDs show considerable promise in enhancing CVD detection and management but require large-scale pragmatic trials, standardised interoperability protocols, transparent AI model interpretability, and structured patient involvement. Addressing these gaps will be essential for equitable, scalable, and clinically integrated adoption.

来源与署名

Wearable Devices and AI-Driven Remote Monitoring in Cardiovascular Medicine: A Narrative Review.

Gaoudam N, Sakhamudi SK, Kamal B, Addla N, Reddy EP, Ambala M, Lavanya K, Palaparthi EC, Bhattam A, Periasamy P, Sayana SB, Medabala T.

Cureus · 2025-08-16

DOI: 10.7759/cureus.90208 ↗PubMed · 40964568 ↗Europe PMC · 记录的开放许可: cc by ↗

摘要版权归原作者,依据来源记录的开放许可转载。中文译文辅助阅读,英文摘要用于核对术语与具体数值;本站的方法学解释与作者结论分别呈现。

MoveVitals 编辑解读 · 健康教育内容 · 未记录个人临床审阅

来源核验日期 2026-11-01

实用健康指南

放在一起读

·队列研究

加速度计处理方法不同,身体活动与卒中、心肌梗死的关联曲线也不同

在英国生物银行中,基线无心血管疾病的90237名成年人随访至2022年12月,共发生1298例卒中和2031例心肌梗死;中高强度身体活动(MVPA)与这两种结局的关联曲线形状,取决于加速度计数据的处理方法。就卒中而言,只有机器学习法得到直线下降的风险;就心肌梗死而言,机器学习法和LFENMO法呈曲线下降,活动计数法呈直线下降。摘要没有给出风险比,只能说明不同方法的结论不一致,不能说明哪种方法更正确,而且这些只是观察性关联。

Preventive Medicine

重点论文精讲阅读论文 →
·测量验证研究/综述

智能手表数据能当“证人”吗:心率验证得最充分,其余证据参差

一项围绕数字取证展开的系统评价和荟萃分析,梳理了四大主流品牌智能手表的验证研究,发现心率是研究最多、也最准确的指标。步数、距离、能量消耗、活动分类和睡眠的验证不够一致,结果因品牌、方案和报告方式而异。摘要没有给出汇总数据,且多数研究是在健康人群中、于实验室内完成的,所以无法说明某一块手表对某个人在日常生活中的表现。

Forensic Science International

重点论文精讲阅读论文 →
·综述的综述

活动追踪器:每天多走约1800步,对其他健康指标影响较小

这项伞形综述汇总了39篇系统评价和荟萃分析,涉及163992名参与者;结果显示使用活动追踪器与身体活动增加相关(标准化均数差SMD为0.3–0.6),相当于每天多走约1800步、多步行40分钟,体重减轻约1公斤。对血压、胆固醇、糖化血红蛋白、生活质量和疼痛的影响通常很小,且多数不显著。摘要没有说明这些项目里追踪器还搭配了什么,也没有说明各评价之间重叠多少,因此不能把效果完全归功于设备本身。

The Lancet Digital Health

重点论文精讲阅读论文 →
·测量验证研究/综述

七款睡眠追踪设备:识别睡着很准,识别醒着和睡眠分期较差

在睡眠实验室里,34名健康的年轻成年人连续三晚佩戴七款消费级睡眠追踪设备中的若干款。与多导睡眠监测相比,所有设备识别睡眠都很准(灵敏度均不低于0.93),但识别清醒较差(特异度0.18–0.54),七款中有五款与研究用活动记录仪(特异度0.39)持平或更好;睡眠分期的估计结果不稳定。受试者是18至35岁的健康成年人,卧床时间固定为8小时,每款设备只在其中11至20人身上测试,因此对有睡眠问题的人几乎没有参考价值。

Sleep

重点论文精讲阅读论文 →
可穿戴与测量科学 →