人工智能技术在心房颤动诊断中的有效性分析：系统评价与Meta分析

心房颤动（Atrial Fibrillation, AF）作为全球最常见的持续性心律失常之一，同时也是引发脑卒中及其他心血管不良事件的关键风险因素。传统诊断手段，如常规心电图与动态心电监测装置，由于设备获取难度大且监测时间窗口有限，表现出显著不足，特别是在无症状型或间歇性房颤患者中，误诊可能性较高。近年来，人工智能技术结合可穿戴设备的快速发展，为早期房颤筛查提供了具有潜力的新型解决方案。

本研究系统综述致力于全面评估人工智能辅助及可穿戴设备在临床应用和实际场景中用于房颤检测的诊断准确性与效能。

研究小组对PubMed、Scopus及Web of Science三大文献数据库进行了系统性的文献检索，所有纳入研究均提供了数字房颤检测工具在灵敏度、特异度、预测值及曲线下面积（AUC）等指标上的数据。相关技术平台涵盖：智能手机应用程序、智能手表、光电容积描记技术、单导联及多导联心电图装置，以及各类机器学习算法。数据提取与质量评估采用QUADAS-2工具进行。研究还通过随机效应Meta分析及亚组分析整合结果，并深入探讨了异质性来源。