
該研究為國際多中心隨機對照試驗,納入了5個國家26箇中心的374例持續性房顫患者(平均年齡65.7歲,男性佔79%),隨機分為傳統解剖性PVI組(n=186)或AI引導個體化消融組(n=188)。後者採用Volta Medical公司開發的AI演算法,透過高密度三維標測並消融電離散區域。消融術後3、6及12個月,患者需接受門診隨訪(包括12導聯心電圖及24小時動態心電圖監測),並透過Kardia智慧手機應用每週自主上傳6導聯心電圖。研究共收集超過17,000份心電圖資料,其中83%符合要求。
安全性分析顯示,兩組在主要複合終點(全因死亡率、卒中及嚴重治療相關併發症)上無顯著差異。在消融療效方面,AI引導組患者的術中房顫終止率(66% vs 15%)和竇性心律轉復率(53% vs 13%)均顯著優於PVI組(均P<0.001),但由於需額外進行三維標測,AI引導組消融時間更長(178分鐘 vs 92分鐘,P<0.001),透視和射頻時間也相應增加。
在療效方面,改良意向治療集分析(n=357)顯示,AI引導組單次消融後12個月無房顫複發率(無論是否使用抗心律失常藥物)達88.1%,顯著優於PVI組的70.2%(P<0.0001),絕對風險降低17.9%;在符合方案集分析(n=269)中,這一優勢更為顯著。對於部分次要終點,AI引導組在單次消融後無房性心律失常發生率方面並不顯著優於PVI組(P=0.09),但在允許二次消融的分析中顯示出優勢(P<0.01)。此外,在房顫病程≥6個月的預設亞組中,AI引導組在主要和次要終點上均表現更優。
來自德國慕尼黑心臟中心的Isabel Deisenhofer教授作為首席研究者表示:“這是首個在持續性房顫患者中證實AI引導PVI-plus治療在預後方面顯著優於單純PVI的高質量循證醫學證據。”其認為:“AI的應用是該試驗成功的關鍵,因為它首次實現了消融靶點的客觀、可重複且可靠的識別,併為手術流程自動化提供了可能,未來手術效率將進一步提升。”
來自杜克大學的Jonathan Piccini教授評價稱:“單純PVI在持續性房顫患者中的療效侷限已是不爭事實,即使經過策略最佳化,術後複發率仍高達90%以上。”他認為TAILORED-AF的成功關鍵在於AI技術的雙重優勢:“一方面,其是基於電生理學理論構建的機器學習模型,能夠精準定位致心律失常關鍵病灶;另一方面,演算法透過量化分析數千個位點的電訊號特徵,以亞毫米級精度鎖定EDZs,克服了傳統標測方法的主觀性和一致性缺陷”。
來自斯坦福大學的Tina Baykaner教授同樣認為,這是首個在真正持續性房顫患者佇列中,證實PVI-plus策略顯著臨床獲益的大型多中心試驗。她進一步表示,這些結果可以與2010年STAR AF試驗的資料進行直接比較。該試驗曾顯示在PVI基礎上增加複雜碎裂電位消融的優勢,而本研究中單純PVI組的結果幾乎與STAR AF試驗一致。因此,與當時採用其他治療方法相比,這種新策略的額外益處顯得更加明顯。
Baykaner教授還指出,AI技術的侷限性在於延長了手術時間,且其模型“並非固定,可能持續更新”。然而,她認為“AI模型可以透過最佳化來識別更精準的機制訊號和更長期的預後指標,因此,治療效果只會不斷提升。”她總結道,這一進展具有重要意義,因為“即便採用最新的消融技術,現有策略對這類患者的療效仍不盡如人意。”
Piccini教授則強調,在研究中引入AI並非小事,手術時間幾乎翻倍且輕微併發症發生率有所增加,但PVI單獨的治療成功率超出預期,使得個性化結果更加重要。此外,研究的主要終點僅涵蓋房顫,未包括房撲,這導致個性化方法在心房心律失常的次要終點上未顯現顯著優勢。他指出,未來的臨床試驗將有助於澄清這些問題,同時表示儘管面臨一些整合挑戰,但其機構正在評估這項技術,希望能在符合入組標準的患者中應用。這項研究代表了隨機臨床試驗的最高證據水平,為改善有效治療提供了重要契機。
未來,AI將推動房顫治療進入精準時代,儘管當前手術時間延長且需持續最佳化模型,但AI的動態學習能力可不斷改進精準度。下一步需驗證其在不同患者群體的療效,並探究如何縮短手術時間,降低併發症。隨著更多臨床試驗推進,未來AI可能成為持續性房顫的標準化治療方案,為全球數千萬患者帶來更可靠的治療選擇。
參考文獻:Deisenhofer I. Tailored cardiac ablation procedure for persistent atrial fibrillation guided by artificial intelligence: the TAILORED-AF randomized clinical trial. Presented at: HRS 2024. May 18, 2024. Boston, MA.
