• 开发和验证一个深入学习的层次结构模型，以预测新的发病AF的风险和适当的时期[时间范围：在1998年1月1日至2018年12月31日之间]
  CPRD中的读取代码（诊断），测量和POR代码（药物）将确定预测因素； ICD10代码和统计分类（OPC）代码（HES）中；和ICD 10代码（2001年之前的ICD9代码）在国家统计局（ONS）数据中。所有变量将被视为潜在的预测因子，并且可能包括：

  1. 社会人口统计学变量：年龄，性别，种族，多重剥夺指数；
  2. 随访期间的所有（重复）住院疾病状况
  3. 临床评估，例如心电图，心率，身高，体重，
  4. 处方药，
  5. 生活方式因素（例如吸烟状况，饮酒）；
  6. 在随访期间收集的所有生物标志物，将包括所有临床评估，住院活动，药物的时间信息。
• 识别和量化新发作AF的预测指标的大小[时间范围：1998年1月1日至2018年12月31日之间]
  提出的深度学习模型可以从EHR数据中提取信息的风险因素。具体而言，Huang等人提出的危险因素选择策略将被调整以确定信息性的风险因素。该模型将提供确定的风险因素的权重，以帮助了解不同风险水平下风险因素的重要性。风险因素数量对AF风险预测的性能的影响将通过曲线（AUC）的两个区域的曲线以及针对风险因素数量绘制的预测准确性进行评估。一些预测因素，例如BMI，血压，全科医生（GP）访问的频率，处方药的强度可能会随着时间而变化。将探索包括这些可变轨迹的包括的增量预后值，并评估对预测精度的影响。

心房颤动（AF）是一种常见的慢性病，​​对健康结果有重大影响。许多AF病例被发现为时已晚 - 作为中风，心力衰竭或其他并发症的表现。虽然早期发现AF的发现具有预防过早心血管疾病的潜力，但不建议进行人口筛查。

心房颤动（AF）是领先的心血管健康问题。它是最常见的持续性心律不齐，影响了欧洲和美国人口的1-2％，一生中普通人群的终生风险占一定四分之一。随着人口年龄的增长，它的患病率越来越高。因此，这些估计可能会增加，并且由于AF可能长期以来一直没有诊断，目前被低估了。 AF因中风，猝死，心力衰竭，计划外的住院和相关并发症而造成1-3％的医疗支出。由此产生的AF流行病及其相关的昂贵并发症（包括但不限于中风，抑郁，心力衰竭，急性冠状动脉综合征，认知能力下降和外部住院治疗）确保了AF现在对健康寿命的主要威胁。 AF的早期诊断是在第一次并发症发生之前的理想情况下，仍然是一个重大的公共卫生挑战。对于某些患者而言，AF可能会出现有症状的呼吸症，但对于其他患者，对AF的首次诊断可能是当他们向中风，急性心脏不足或合并症加剧的医疗保健专业人员出席时，这是疾病轨迹不必要的阶段。这是因为许多AF患者可能没有与AF相关的症状。鉴于近三分之一接受中风病房的患者在入院时患有AF，并且口服抗凝剂将中风的风险降低了多达三分之二的AF，患有中风风险较高的AF对早期发现AF的令人信服的论点。为此，在国家和国际指南中建议对65岁及65岁以上患者进行AF的机会性筛查（脉搏触诊，然后是脉搏不规则脉搏不规则的患者ECG）。国际准则还建议使用12个主要的心电图和卧床节律监测器（根据感知的AF风险在增加持续时间内），升级为可疑但未诊断的AF的患者的植入无铅AF记录器，并且每个人都对医疗保健成本和患者的影响有所满意。尽管系统筛查老年人群使用自行操作设备的AF的系统性筛查有很有希望的结果，但目前，英国（英国）没有建议对AF进行全体系统筛查，因为尚不清楚那些是否被确定为AT风险将受益于早期诊断。确实，需要进行研究以更好地了解检测率，诊断准确性，此类计划的结果，并确定AF筛查的哪些子人群筛查将提供最大的患者和公共健康价值。

AF的识别具有重要的患者和临床分析。那些没有障碍的患者（Chadsvasc评分≥2）应用口服抗凝剂预防中风。此外，大多数患有AF的患者都会患有中风危险因素，使其符合口服抗凝剂的资格，许多患者将患有心血管疾病（例如高血压，瓣膜心脏病或心力衰竭），使其有资格进行进一步的研究或治疗。同样，在患有中风风险较低的AF（因此不具备口服抗凝）的人中，建议对中风风险增加的监视。准确预测一个人是否以及何时会有新的发病AF可能允许表型和时间特定（因此更有效）筛选，并确定AF Aetiogy的假定风险标记。例如，目前处于鼻窦节奏中的患者，但中风风险较高，预计将来会在特定时间点开发AF，从而可能受益于筛查AF的预测日期。同样，鉴于了解新发作AF的风险更高的知识以及因果关系研究的新风险因素，可以主动解决AF开发和中风风险的可修改风险因素。其他可能的研究机会可能包括对没有和不预测患有AF的患者的研究，以及对生活方式，设备技术和药物治疗策略的评估，以降低具有高预测新发作风险的患者的AF风险。

迄今为止，已经开发了许多AF风险预测工具，包括来自Charge-AF联盟，Framingham心脏研究，Chads得分，Chadsvasc得分和胸部得分等。胸部评分（结构性心脏病，心力衰竭，≥75岁，动脉疾病' target='_blank'>冠状动脉疾病，甲状腺功能亢进，慢性阻塞性肺疾病（COPD）和高血压）来自中国Yunnan保险数据库的471,446名受试者，并在451,199名受试者中获得了451,199名受试者发现韩国国家健康保险局可预测未来的事件。 Framingham心脏研究，年龄，性别，身体质量指数，收缩压，高血压治疗，从P波开始到心室去极化（QRS）复合物的开始时间（PR间隔）的4764名参与者），使用生存模型发现临床意义的心脏杂音和心力衰竭是预测10年中AF的分数的组成部分。但是，迄今为止的每项研究都受到一个或多个的限制，它们使用地理遥远的数据，历史数据，小数据集，缺乏时间信息，粗略的风险建模，并因此次优模型性能和/或预测变量不易获得给全科医生。可以理解的是，没有一个人达到广泛的临床实践。人工智能促进使用大量事件数据和相关的时间信息（例如在初级保健数据集中），处理具有自动变量选择技术的大量预测变量，可容纳变量之间的非线性和相互作用，启用实时学习方法（一种实时学习方法（因此，预测模型会自动更新），并可以使用范围内的数据来预测个人是否以及何时将有新的发病AF。一系列人工智能（AI）技术已应用于EHR数据，并在大规模EHR数据中证明了对传统统计方法的诊断和预测能力更好。然而，正如最近强调的那样，识别临床上有用的模型很重要。例如，一项开发了一种启用AI的ECG算法的研究，该算法从具有正常窦性心的ECG中预测AF，而向前迈出的重要一步可能不适用于常规ECG的社区环境。因此，使用AI技术从常规初级保健电子健康记录数据中开发了一种新发作AF的预测算法，可以为早期转化为临床实践提供机会。研究人员将利用从初级保健的大规模联系电子健康记录（EHR）开发和验证深度神经网络学习模型，以预测新AF的风险。预测算法将接受培训和测试，以使用临床实践研究数据链接（CPRD） - 全球性慢性阻塞性肺疾病（GOLD）进行预测未来的AF事件的准确性和鲁棒性，并将使用类似数据库CPRD-aurum进行外部验证，但是在不同的地理位置。新的预测算法将与一系列经典的机器学习技术以及传统的统计预测建模方法进行比较。等待与现有模型相比，成功提高预测准确性至少5％的成功模型，可以通过免费使用软件轻松获得该算法。

• Conen D.房颤的流行病学。 Eur Heart J. 2018 Apr 21; 39（16）：1323-1324。 doi：10.1093/eurheartj/ehy171。
• Kirchhof P.房颤管理的未来：综合护理和分层疗法。柳叶刀。 2017年10月21日； 390（10105）：1873-1887。 doi：10.1016/s0140-6736（17）31072-3。 EPUB 2017年4月28日。评论。 Erratum in：柳叶刀。 2017年10月21日； 390（10105）：1832年。文章中的剂量错误。
• Fuster V, Rydén LE, Cannom DS, Crijns HJ, Curtis AB, Ellenbogen KA, Halperin JL, Le Heuzey JY, Kay GN, Lowe JE, Olsson SB, Prystowsky EN, Tamargo JL, Wann S, Smith SC Jr, Jacobs AK, Adams CD，Anderson JL，Antman EM，Halperin JL，Hunt SA，Nishimura R，Ornato JP，Page RL，Riegel B，Priori SG，Blanc JJ，Budaj A，Camm AJ，Camm AJ，Dean V，Dean V，Deckers JW，Deckers JW，Despres C，Dickstein K，Dickstein k k k k k k k， ，Lekakis J，McGregor K，Metra M，Morais J，Osterspey A，Tamargo JL，Zamorano JL；美国心脏病学院/美国心脏协会实践指南工作组；欧洲心脏病学委员会实践指南；欧洲心律协会；心律社会。 ACC/AHA/ESC 2006年房颤患者管理指南：美国心脏病学学院/美国心脏协会实践指南和欧洲心脏病学委员会实践指南（撰写委员会修订2001年修订委员会）的报告心房颤动患者管理指南）：与欧洲心律协会和心律协会合作制定。循环。 2006年8月15日； 114（7）：E257-354。勘误：循环。 2007年8月7日； 116（6）：E138。
• Camm AJ，Kirchhof P，Lip GY，Schotten U，Savelieva I，Ernst S，Van Gelder IC，Al-Attar N，Hindricks G，Prendergast B，Heidbuchel H，Heidbuchel H，Alfieri O，Angelini O，Angelini A，Atar D，Atar D，Colonna P，Colonna P，De Caterna P，De Caterina P，De Caterina P，De Caterina P，De Caterina P，De Caterina R，De Sutter J，Goette A，Gorenek B，Hustal M，Hohloser SH，Kolh P，Le Heuzey JY，Ponikowski P，Rutten FH； ESC委员会实践指南。房颤管理指南：欧洲心脏病学会（ESC）的房颤管理工作组。欧洲。 2010年10月; 12（10）：1360-420。 doi：10.1093/欧洲/EUQ350。 Erratum in：Europace。 2011年7月; 13（7）：1058。文章中的剂量错误。
• Kirchhof P, Auricchio A, Bax J, Crijns H, Camm J, Diener HC, Goette A, Hindricks G, Hohnloser S, Kappenberger L, Kuck KH, Lip GY, Olsson B, Meinertz T, Priori S, Ravens U, Steinbeck G ，Svernhage E，Tijssen J，Vincent A，BreithardtG。房颤试验的结果参数：执行摘要。 Eur Heart J. 2007年11月； 28（22）：2803-17。 EPUB 2007年9月25日。
• Friberg L，Rosenqvist M，Lindgren A，TeréntA，Norrving B，Asplund K.缺血性中风患者中心房颤动的高患病率。中风。 2014年9月; 45（9）：2599-605。 doi：10.1161/strokeaha.114.006070。 EPUB 2014年7月17日。
• Wolf PA，Abbott RD，Kannel WB。心房颤动：老年人中风的主要贡献者。弗雷明汉研究。 Arch Intern Med。 1987年9月; 147（9）：1561-4。
• 1月CT，WANN LS，ALPERT JS，CALKINS H，雪茄JE，Cleveland JC JR，Conti JB，Ellinor PT，Elinor PT，Ezekowitz MD，Field ME，Murray KT，Sacco RL，Stevenson WG，Tchou PJ，Tchou PJ，Tracy CM，Yancy CW; ACC/AHA工作队成员。 2014 AHA/ACC/HRS管理心房纤颤的患者的指南：美国心脏病学学院/美国心脏协会实践指南和心律协会的报告。循环。 2014年12月2日； 130（23）：E199-267。 doi：10.1161/cir.00000000000041。 EPUB 2014 3月28日。 2014年12月2日; 130（23）：E272-4。
• Aronson D，Shalev V，Katz R，Chodick G，Mutlak D.预测10年房颤的风险评分：基于社区的研究。血栓止血。 2018年9月; 118（9）：1556-1563。 doi：10.1055/s-0038-1668522。 EPUB 2018 8月13日。
• Alonso A，Krijthe BP，Aspelund T，Stepas KA，Pencina MJ，Moser CB，Sinner MF，Sotoodehnia N，Fontes JD，Janssens JD，Janssens AC，Kronmal RA，Magnani JW，Magnani JW，Witteman JC，Witteman JC，Chamberlain JC，Chamberlain AM，Lubitz Sa，Schnabel RB，Agarabel RB，Agarabel RB，Agarabel RB，Skarwal RB，Skarwal RB，Skarwal RB，Skarwal RB， ，McManus DD，Ellinor PT，Larson MG，Burke GL，Launer LJ，Hofman A，Levy D，Gottdiener JS，KääbS，Couper D，Couper D，Harris TB，Soliman EZ，Stricker BH，Stricker BH，Gudnason V，Heckbert SR，Benjamin EJ。简单的风险模型可以预测种族和地理不同人口中房颤的发生率：指控AF联盟。 J Am Heart Assoc。 2013年3月18日； 2（2）：E000102。 doi：10.1161/jaha.112.000102。
• Chamberlain AM，Agarwal SK，Folsom AR，Soliman EZ，Chambless LE，Crow R，Ambrose M，AlonsoA。在混蛋前瞻性队列中房颤的临床风险评分（来自社区的动脉粥样硬化风险[ARIC]研究[ARIC]研究）。 Am J Cardiol。 2011年1月； 107（1）：85-91。 doi：10.1016/j.amjcard.2010.08.049。
• Schnabel RB, Sullivan LM, Levy D, Pencina MJ, Massaro JM, D'Agostino RB Sr, Newton-Cheh C, Yamamoto JF, Magnani JW, Tadros TM, Kannel WB, Wang TJ, Ellinor PT, Wolf PA, Vasan RS,本杰明EJ。开发房颤的风险评分（Framingham心脏研究）：一项基于社区的队列研究。柳叶刀。 2009年2月28日； 373（9665）：739-45。 doi：10.1016/s0140-6736（09）60443-8。
• Schnabel RB，Aspelund T，Li G，Sullivan LM，Suchy-Dicey A，Harris TB，Pencina MJ，D'Agostino RB SR，Levy D，Kannel WB，Wang TJ，Kronmal RA，Wolf PA，Burke GL，Launer LJ，Launer LJ，LJ，LANER LJ，LJ，LJ，LANER LJ，LJ，LJ Vasan RS，Psaty BM，Benjamin EJ，Gudnason V，Heckbert SR。在白人和非裔美国人中验证房颤风险算法。 Arch Intern Med。 2010年11月22日； 170（21）：1909-17。 doi：10.1001/Archinternmed.2010.434。
• Li YG，Pastori D，Farcomeni A，Yang PS，Jang E，Joung B，Wang YT，Guo YT，Lip Gyh。一个简单的临床风险评分（C（2）HEST），用于预测亚洲受试者的事件房颤：471,446名中国受试者的派生，内部验证和外部应用在451,199名韩国受试者中。胸部。 2019年3月； 155（3）：510-518。 doi：10.1016/j.chest.2018.09.011。 EPUB 2018 10月4日。
• Kolek MJ，Graves AJ，Xu M，Bian A，Teixeira PL，Shoemaker MB，Parvez B，Xu H，Xu H，Heckbert SR，Ellinor PT，Benjamin EJ，Alonso A，Denny JC，Moons JC，Moons KG，Shintani Ak，Shintani Ak，Harrell Fe Jr，Roden fe Jr，Roden fe Jr，Roden fe Jr，Roden DM，Darbar D.对电子病历存储库中房颤的预测模型的评估。贾马心脏。 2016年12月1日； 1（9）：1007-1013。 doi：10.1001/jamacardio.2016.3366。
• Obermeyer Z，Emanuel EJ。预测未来 - 大数据，机器学习和临床医学。 N Engl J Med。 2016年9月29日; 375（13）：1216-9。 doi：10.1056/nejmp1606181。
• Gulshan V，Peng L，Coram M，Stumpe MC，Wu D，Narayanaswamy A，Venugopalan S，Widner K，Madams T，Cuadros J，Kim R，Raman R，Raman R，Raman R，Nelson PC，Mega JL，Webster DR。在视网膜眼镜照片中检测糖尿病性视网膜病的深度学习算法的开发和验证。贾马。 2016年12月13日； 316（22）：2402-2410。 doi：10.1001/jama.2016.17216。
• Ehteshami Bejnordi B，Veta M，Johannes Van Diest P，Van Ginneken B，Karssemeijer N，Litjens G，Van der Laak Jawm； Camelyon16联盟，Hermsen M，Manson QF，Balkenhol M，Geessink O，Stathonikos N，Van Dijk MC，Bult P，Beca F，Beca F，Beck AH，Wang D，Khosla A，Khosla A，Gargeya A，Gargeya R，Irshad H，Irshad H，Zhong A，Dou Q，Dou Q，Dou Q，Dou Q，Q. Li Q，Chen H，Lin HJ，Heng Pa，HaßC，Bruni E，Wong Q，Halici U，Halici U，ÖnerMü，Cetin-Atalay R，Berseth M，Berseth M，Khvatkov V，Vylegzhanin A，Kraus O，Kraus O，Kraus O，Shaban M，Shaban M，Rajpoot N，，Rajpoot n，，，Rajpoot N，，，， Awan R, Sirinukunwattana K, Qaiser T, Tsang YW, Tellez D, Annuscheit J, Hufnagl P, Valkonen M, Kartasalo K, Latonen L, Ruusuvuori P, Liimatainen K, Albarqouni S, Mungal B, George A, Demirci S, Navab N ，Watanabe S，Seno S，Takeaka Y，Matsuda H，Ahmady Phoulady H，Kovalev V，Kalinovsky A，Liauchuk V，Bueno G，Bueno G，Fernandez-Carroobles MM，Serrano MM，Serrano I，Deniz O，Deniz O，Racoceanu D，Racoceanu D，Racoceanu dept，Racoceanu dept of Deep of Deep Cessigncipic的评估。在乳腺癌女性中检测淋巴结转移的学习算法。贾马。 2017年12月12日； 318（22）：2199-2210。 doi：10.1001/jama.2017.14585。
• Shah NH，Milstein A，Bagley Phd Sc。使机器学习模型在临床上有用。贾马。 2019年10月8日； 322（14）：1351-1352。 doi：10.1001/jama.2019.10306。
• Beam Al，Kohane是。医疗保健中的大数据和机器学习。贾马。 2018年4月3日； 319（13）：1317-1318。 doi：10.1001/jama.2017.18391。
• Attia Zi，Noseworthy PA，Lopez-Jimenez F，Asirvatham SJ，Deshmukh AJ，Gersh BJ，Carter RE，Yao X，Rabinstein AA，Rabinstein AA，Erickson BJ，Kapa S，Kapa S，Friedman PA。一种支持人工智能的ECG算法，用于鉴定窦性心律期间心房颤动的患者：对结果预测的回顾性分析。柳叶刀。 2019年9月7日; 394（10201）：861-867。 doi：10.1016/s0140-6736（19）31721-0。 EPUB 2019 8月1日。
• Sultan AA，West J，Grainge MJ，Riley RD，Tata LJ，Stephansson O，Fleming KM，Nelson-Piercy C，Ludvigsson JF。产后妇女中静脉血栓栓塞的风险预测模型的开发和验证：跨国公司研究。 BMJ。 2016年12月5日; 355：i6253。 doi：10.1136/bmj.i6253。
• Rahimian F，Salimi-Khorshidi G，Payberah AH，Tran J，Ayala Solares R，Raimondi F，Nazarzadeh M，Canoy D，RahimiK。 PLOS MED。 2018年11月20日； 15（11）：E1002695。 doi：10.1371/journal.pmed.1002695。 2018年11月的环保。
• Huang Z，Dong W，Duan H，Liu J.使用电子健康记录对急性冠状动脉综合征的临床风险预测的正则深度学习方法。 IEEE TRANS BIOMED ENG。 2018年5月； 65（5）：956-968。 doi：10.1109/tbme.2017.2731158。 EPUB 2017年7月24日。
• Riley RD，Snell KI，Ensor J，Burke DL，Harrell FE JR，Moons KG，Collins GS。开发多变量预测模型的最小样本量：第二部分 - 二进制和事件时间结果。 Stat Med。 2019年3月30日； 38（7）：1276-1296。 doi：10.1002/sim.7992。 EPUB 2018 10月24日。 2019年12月30日； 38（30）：5672。

纳入标准：

• 在2009年1月1日之后诊断为AF（使用读取代码（对于CPRD患者配置文件）和ICD-10代码（对于HES事件）识别
• 在临床实践研究中，慢性阻塞性肺疾病（CPRD -GOLD）的全球趋势倡议，并有资格获得数据链接。
• 在1998年1月1日至2018年12月31日之间的期间至少有1年的随访。

排除标准：

• CPRD首次注册的日期以下18岁以下
• 1998年1月1日之前被诊断为AF
• 在CPRD-Gold中，不符合数据链接
• CPRD的随访时间不到一年

• 开发和验证一个深入学习的层次结构模型，以预测新的发病AF的风险和适当的时期[时间范围：在1998年1月1日至2018年12月31日之间]
  CPRD中的读取代码（诊断），测量和POR代码（药物）将确定预测因素； ICD10代码和统计分类（OPC）代码（HES）中；和ICD 10代码（2001年之前的ICD9代码）在国家统计局（ONS）数据中。所有变量将被视为潜在的预测因子，并且可能包括：

  1. 社会人口统计学变量：年龄，性别，种族，多重剥夺指数；
  2. 随访期间的所有（重复）住院疾病状况
  3. 临床评估，例如心电图，心率，身高，体重，
  4. 处方药，
  5. 生活方式因素（例如吸烟状况，饮酒）；
  6. 在随访期间收集的所有生物标志物，将包括所有临床评估，住院活动，药物的时间信息。
• 识别和量化新发作AF的预测指标的大小[时间范围：1998年1月1日至2018年12月31日之间]
  提出的深度学习模型可以从EHR数据中提取信息的风险因素。具体而言，Huang等人提出的危险因素选择策略将被调整以确定信息性的风险因素。该模型将提供确定的风险因素的权重，以帮助了解不同风险水平下风险因素的重要性。风险因素数量对AF风险预测的性能的影响将通过曲线（AUC）的两个区域的曲线以及针对风险因素数量绘制的预测准确性进行评估。一些预测因素，例如BMI，血压，全科医生（GP）访问的频率，处方药的强度可能会随着时间而变化。将探索包括这些可变轨迹的包括的增量预后值，并评估对预测精度的影响。

心房颤动（AF）是一种常见的慢性病，​​对健康结果有重大影响。许多AF病例被发现为时已晚 - 作为中风，心力衰竭或其他并发症的表现。虽然早期发现AF的发现具有预防过早心血管疾病的潜力，但不建议进行人口筛查。

心房颤动（AF）是领先的心血管健康问题。它是最常见的持续性心律不齐，影响了欧洲和美国人口的1-2％，一生中普通人群的终生风险占一定四分之一。随着人口年龄的增长，它的患病率越来越高。因此，这些估计可能会增加，并且由于AF可能长期以来一直没有诊断，目前被低估了。 AF因中风，猝死，心力衰竭，计划外的住院和相关并发症而造成1-3％的医疗支出。由此产生的AF流行病及其相关的昂贵并发症（包括但不限于中风，抑郁，心力衰竭，急性冠状动脉综合征，认知能力下降和外部住院治疗）确保了AF现在对健康寿命的主要威胁。 AF的早期诊断是在第一次并发症发生之前的理想情况下，仍然是一个重大的公共卫生挑战。对于某些患者而言，AF可能会出现有症状的呼吸症，但对于其他患者，对AF的首次诊断可能是当他们向中风，急性心脏不足或合并症加剧的医疗保健专业人员出席时，这是疾病轨迹不必要的阶段。这是因为许多AF患者可能没有与AF相关的症状。鉴于近三分之一接受中风病房的患者在入院时患有AF，并且口服抗凝剂将中风的风险降低了多达三分之二的AF，患有中风风险较高的AF对早期发现AF的令人信服的论点。为此，在国家和国际指南中建议对65岁及65岁以上患者进行AF的机会性筛查（脉搏触诊，然后是脉搏不规则脉搏不规则的患者ECG）。国际准则还建议使用12个主要的心电图和卧床节律监测器（根据感知的AF风险在增加持续时间内），升级为可疑但未诊断的AF的患者的植入无铅AF记录器，并且每个人都对医疗保健成本和患者的影响有所满意。尽管系统筛查老年人群使用自行操作设备的AF的系统性筛查有很有希望的结果，但目前，英国（英国）没有建议对AF进行全体系统筛查，因为尚不清楚那些是否被确定为AT风险将受益于早期诊断。确实，需要进行研究以更好地了解检测率，诊断准确性，此类计划的结果，并确定AF筛查的哪些子人群筛查将提供最大的患者和公共健康价值。

AF的识别具有重要的患者和临床分析。那些没有障碍的患者（Chadsvasc评分≥2）应用口服抗凝剂预防中风。此外，大多数患有AF的患者都会患有中风危险因素，使其符合口服抗凝剂的资格，许多患者将患有心血管疾病（例如高血压，瓣膜心脏病或心力衰竭），使其有资格进行进一步的研究或治疗。同样，在患有中风风险较低的AF（因此不具备口服抗凝）的人中，建议对中风风险增加的监视。准确预测一个人是否以及何时会有新的发病AF可能允许表型和时间特定（因此更有效）筛选，并确定AF Aetiogy的假定风险标记。例如，目前处于鼻窦节奏中的患者，但中风风险较高，预计将来会在特定时间点开发AF，从而可能受益于筛查AF的预测日期。同样，鉴于了解新发作AF的风险更高的知识以及因果关系研究的新风险因素，可以主动解决AF开发和中风风险的可修改风险因素。其他可能的研究机会可能包括对没有和不预测患有AF的患者的研究，以及对生活方式，设备技术和药物治疗策略的评估，以降低具有高预测新发作风险的患者的AF风险。

迄今为止，已经开发了许多AF风险预测工具，包括来自Charge-AF联盟，Framingham心脏研究，Chads得分，Chadsvasc得分和胸部得分等。胸部评分（结构性心脏病，心力衰竭，≥75岁，动脉疾病' target='_blank'>冠状动脉疾病，甲状腺功能亢进' target='_blank'>甲状腺功能亢进，慢性阻塞性肺疾病（COPD）和高血压）来自中国Yunnan保险数据库的471,446名受试者，并在451,199名受试者中获得了451,199名受试者发现韩国国家健康保险局可预测未来的事件。 Framingham心脏研究，年龄，性别，身体质量指数，收缩压，高血压治疗，从P波开始到心室去极化（QRS）复合物的开始时间（PR间隔）的4764名参与者），使用生存模型发现临床意义的心脏杂音和心力衰竭是预测10年中AF的分数的组成部分。但是，迄今为止的每项研究都受到一个或多个的限制，它们使用地理遥远的数据，历史数据，小数据集，缺乏时间信息，粗略的风险建模，并因此次优模型性能和/或预测变量不易获得给全科医生。可以理解的是，没有一个人达到广泛的临床实践。人工智能促进使用大量事件数据和相关的时间信息（例如在初级保健数据集中），处理具有自动变量选择技术的大量预测变量，可容纳变量之间的非线性和相互作用，启用实时学习方法（一种实时学习方法（因此，预测模型会自动更新），并可以使用范围内的数据来预测个人是否以及何时将有新的发病AF。一系列人工智能（AI）技术已应用于EHR数据，并在大规模EHR数据中证明了对传统统计方法的诊断和预测能力更好。然而，正如最近强调的那样，识别临床上有用的模型很重要。例如，一项开发了一种启用AI的ECG算法的研究，该算法从具有正常窦性心的ECG中预测AF，而向前迈出的重要一步可能不适用于常规ECG的社区环境。因此，使用AI技术从常规初级保健电子健康记录数据中开发了一种新发作AF的预测算法，可以为早期转化为临床实践提供机会。研究人员将利用从初级保健的大规模联系电子健康记录（EHR）开发和验证深度神经网络学习模型，以预测新AF的风险。预测算法将接受培训和测试，以使用临床实践研究数据链接（CPRD） - 全球性慢性阻塞性肺疾病（GOLD）进行预测未来的AF事件的准确性和鲁棒性，并将使用类似数据库CPRD-aurum进行外部验证，但是在不同的地理位置。新的预测算法将与一系列经典的机器学习技术以及传统的统计预测建模方法进行比较。等待与现有模型相比，成功提高预测准确性至少5％的成功模型，可以通过免费使用软件轻松获得该算法。

• Conen D.房颤的流行病学。 Eur Heart J. 2018 Apr 21; 39（16）：1323-1324。 doi：10.1093/eurheartj/ehy171。
• Kirchhof P.房颤管理的未来：综合护理和分层疗法。柳叶刀。 2017年10月21日； 390（10105）：1873-1887。 doi：10.1016/s0140-6736（17）31072-3。 EPUB 2017年4月28日。评论。 Erratum in：柳叶刀。 2017年10月21日； 390（10105）：1832年。文章中的剂量错误。
• Fuster V, Rydén LE, Cannom DS, Crijns HJ, Curtis AB, Ellenbogen KA, Halperin JL, Le Heuzey JY, Kay GN, Lowe JE, Olsson SB, Prystowsky EN, Tamargo JL, Wann S, Smith SC Jr, Jacobs AK, Adams CD，Anderson JL，Antman EM，Halperin JL，Hunt SA，Nishimura R，Ornato JP，Page RL，Riegel B，Priori SG，Blanc JJ，Budaj A，Camm AJ，Camm AJ，Dean V，Dean V，Deckers JW，Deckers JW，Despres C，Dickstein K，Dickstein k k k k k k k， ，Lekakis J，McGregor K，Metra M，Morais J，Osterspey A，Tamargo JL，Zamorano JL；美国心脏病学院/美国心脏协会实践指南工作组；欧洲心脏病学委员会实践指南；欧洲心律协会；心律社会。 ACC/AHA/ESC 2006年房颤患者管理指南：美国心脏病学学院/美国心脏协会实践指南和欧洲心脏病学委员会实践指南（撰写委员会修订2001年修订委员会）的报告心房颤动患者管理指南）：与欧洲心律协会和心律协会合作制定。循环。 2006年8月15日； 114（7）：E257-354。勘误：循环。 2007年8月7日； 116（6）：E138。
• Camm AJ，Kirchhof P，Lip GY，Schotten U，Savelieva I，Ernst S，Van Gelder IC，Al-Attar N，Hindricks G，Prendergast B，Heidbuchel H，Heidbuchel H，Alfieri O，Angelini O，Angelini A，Atar D，Atar D，Colonna P，Colonna P，De Caterna P，De Caterina P，De Caterina P，De Caterina P，De Caterina P，De Caterina R，De Sutter J，Goette A，Gorenek B，Hustal M，Hohloser SH，Kolh P，Le Heuzey JY，Ponikowski P，Rutten FH； ESC委员会实践指南。房颤管理指南：欧洲心脏病学会（ESC）的房颤管理工作组。欧洲。 2010年10月; 12（10）：1360-420。 doi：10.1093/欧洲/EUQ350。 Erratum in：Europace。 2011年7月; 13（7）：1058。文章中的剂量错误。
• Kirchhof P, Auricchio A, Bax J, Crijns H, Camm J, Diener HC, Goette A, Hindricks G, Hohnloser S, Kappenberger L, Kuck KH, Lip GY, Olsson B, Meinertz T, Priori S, Ravens U, Steinbeck G ，Svernhage E，Tijssen J，Vincent A，BreithardtG。房颤试验的结果参数：执行摘要。 Eur Heart J. 2007年11月； 28（22）：2803-17。 EPUB 2007年9月25日。
• Friberg L，Rosenqvist M，Lindgren A，TeréntA，Norrving B，Asplund K.缺血性中风患者中心房颤动的高患病率。中风。 2014年9月; 45（9）：2599-605。 doi：10.1161/strokeaha.114.006070。 EPUB 2014年7月17日。
• Wolf PA，Abbott RD，Kannel WB。心房颤动：老年人中风的主要贡献者。弗雷明汉研究。 Arch Intern Med。 1987年9月; 147（9）：1561-4。
• 1月CT，WANN LS，ALPERT JS，CALKINS H，雪茄JE，Cleveland JC JR，Conti JB，Ellinor PT，Elinor PT，Ezekowitz MD，Field ME，Murray KT，Sacco RL，Stevenson WG，Tchou PJ，Tchou PJ，Tracy CM，Yancy CW; ACC/AHA工作队成员。 2014 AHA/ACC/HRS管理心房纤颤的患者的指南：美国心脏病学学院/美国心脏协会实践指南和心律协会的报告。循环。 2014年12月2日； 130（23）：E199-267。 doi：10.1161/cir.00000000000041。 EPUB 2014 3月28日。 2014年12月2日; 130（23）：E272-4。
• Aronson D，Shalev V，Katz R，Chodick G，Mutlak D.预测10年房颤的风险评分：基于社区的研究。血栓止血。 2018年9月; 118（9）：1556-1563。 doi：10.1055/s-0038-1668522。 EPUB 2018 8月13日。
• Alonso A，Krijthe BP，Aspelund T，Stepas KA，Pencina MJ，Moser CB，Sinner MF，Sotoodehnia N，Fontes JD，Janssens JD，Janssens AC，Kronmal RA，Magnani JW，Magnani JW，Witteman JC，Witteman JC，Chamberlain JC，Chamberlain AM，Lubitz Sa，Schnabel RB，Agarabel RB，Agarabel RB，Agarabel RB，Skarwal RB，Skarwal RB，Skarwal RB，Skarwal RB， ，McManus DD，Ellinor PT，Larson MG，Burke GL，Launer LJ，Hofman A，Levy D，Gottdiener JS，KääbS，Couper D，Couper D，Harris TB，Soliman EZ，Stricker BH，Stricker BH，Gudnason V，Heckbert SR，Benjamin EJ。简单的风险模型可以预测种族和地理不同人口中房颤的发生率：指控AF联盟。 J Am Heart Assoc。 2013年3月18日； 2（2）：E000102。 doi：10.1161/jaha.112.000102。
• Chamberlain AM，Agarwal SK，Folsom AR，Soliman EZ，Chambless LE，Crow R，Ambrose M，AlonsoA。在混蛋前瞻性队列中房颤的临床风险评分（来自社区的动脉粥样硬化风险[ARIC]研究[ARIC]研究）。 Am J Cardiol。 2011年1月； 107（1）：85-91。 doi：10.1016/j.amjcard.2010.08.049。
• Schnabel RB, Sullivan LM, Levy D, Pencina MJ, Massaro JM, D'Agostino RB Sr, Newton-Cheh C, Yamamoto JF, Magnani JW, Tadros TM, Kannel WB, Wang TJ, Ellinor PT, Wolf PA, Vasan RS,本杰明EJ。开发房颤的风险评分（Framingham心脏研究）：一项基于社区的队列研究。柳叶刀。 2009年2月28日； 373（9665）：739-45。 doi：10.1016/s0140-6736（09）60443-8。
• Schnabel RB，Aspelund T，Li G，Sullivan LM，Suchy-Dicey A，Harris TB，Pencina MJ，D'Agostino RB SR，Levy D，Kannel WB，Wang TJ，Kronmal RA，Wolf PA，Burke GL，Launer LJ，Launer LJ，LJ，LANER LJ，LJ，LJ，LANER LJ，LJ，LJ Vasan RS，Psaty BM，Benjamin EJ，Gudnason V，Heckbert SR。在白人和非裔美国人中验证房颤风险算法。 Arch Intern Med。 2010年11月22日； 170（21）：1909-17。 doi：10.1001/Archinternmed.2010.434。
• Li YG，Pastori D，Farcomeni A，Yang PS，Jang E，Joung B，Wang YT，Guo YT，Lip Gyh。一个简单的临床风险评分（C（2）HEST），用于预测亚洲受试者的事件房颤：471,446名中国受试者的派生，内部验证和外部应用在451,199名韩国受试者中。胸部。 2019年3月； 155（3）：510-518。 doi：10.1016/j.chest.2018.09.011。 EPUB 2018 10月4日。
• Kolek MJ，Graves AJ，Xu M，Bian A，Teixeira PL，Shoemaker MB，Parvez B，Xu H，Xu H，Heckbert SR，Ellinor PT，Benjamin EJ，Alonso A，Denny JC，Moons JC，Moons KG，Shintani Ak，Shintani Ak，Harrell Fe Jr，Roden fe Jr，Roden fe Jr，Roden fe Jr，Roden DM，Darbar D.对电子病历存储库中房颤的预测模型的评估。贾马心脏。 2016年12月1日； 1（9）：1007-1013。 doi：10.1001/jamacardio.2016.3366。
• Obermeyer Z，Emanuel EJ。预测未来 - 大数据，机器学习和临床医学。 N Engl J Med。 2016年9月29日; 375（13）：1216-9。 doi：10.1056/nejmp1606181。
• Gulshan V，Peng L，Coram M，Stumpe MC，Wu D，Narayanaswamy A，Venugopalan S，Widner K，Madams T，Cuadros J，Kim R，Raman R，Raman R，Raman R，Nelson PC，Mega JL，Webster DR。在视网膜眼镜照片中检测糖尿病性视网膜病的深度学习算法的开发和验证。贾马。 2016年12月13日； 316（22）：2402-2410。 doi：10.1001/jama.2016.17216。
• Ehteshami Bejnordi B，Veta M，Johannes Van Diest P，Van Ginneken B，Karssemeijer N，Litjens G，Van der Laak Jawm； Camelyon16联盟，Hermsen M，Manson QF，Balkenhol M，Geessink O，Stathonikos N，Van Dijk MC，Bult P，Beca F，Beca F，Beck AH，Wang D，Khosla A，Khosla A，Gargeya A，Gargeya R，Irshad H，Irshad H，Zhong A，Dou Q，Dou Q，Dou Q，Dou Q，Q. Li Q，Chen H，Lin HJ，Heng Pa，HaßC，Bruni E，Wong Q，Halici U，Halici U，ÖnerMü，Cetin-Atalay R，Berseth M，Berseth M，Khvatkov V，Vylegzhanin A，Kraus O，Kraus O，Kraus O，Shaban M，Shaban M，Rajpoot N，，Rajpoot n，，，Rajpoot N，，，， Awan R, Sirinukunwattana K, Qaiser T, Tsang YW, Tellez D, Annuscheit J, Hufnagl P, Valkonen M, Kartasalo K, Latonen L, Ruusuvuori P, Liimatainen K, Albarqouni S, Mungal B, George A, Demirci S, Navab N ，Watanabe S，Seno S，Takeaka Y，Matsuda H，Ahmady Phoulady H，Kovalev V，Kalinovsky A，Liauchuk V，Bueno G，Bueno G，Fernandez-Carroobles MM，Serrano MM，Serrano I，Deniz O，Deniz O，Racoceanu D，Racoceanu D，Racoceanu dept，Racoceanu dept of Deep of Deep Cessigncipic的评估。在乳腺癌女性中检测淋巴结转移的学习算法。贾马。 2017年12月12日； 318（22）：2199-2210。 doi：10.1001/jama.2017.14585。
• Shah NH，Milstein A，Bagley Phd Sc。使机器学习模型在临床上有用。贾马。 2019年10月8日； 322（14）：1351-1352。 doi：10.1001/jama.2019.10306。
• Beam Al，Kohane是。医疗保健中的大数据和机器学习。贾马。 2018年4月3日； 319（13）：1317-1318。 doi：10.1001/jama.2017.18391。
• Attia Zi，Noseworthy PA，Lopez-Jimenez F，Asirvatham SJ，Deshmukh AJ，Gersh BJ，Carter RE，Yao X，Rabinstein AA，Rabinstein AA，Erickson BJ，Kapa S，Kapa S，Friedman PA。一种支持人工智能的ECG算法，用于鉴定窦性心律期间心房颤动的患者：对结果预测的回顾性分析。柳叶刀。 2019年9月7日; 394（10201）：861-867。 doi：10.1016/s0140-6736（19）31721-0。 EPUB 2019 8月1日。
• Sultan AA，West J，Grainge MJ，Riley RD，Tata LJ，Stephansson O，Fleming KM，Nelson-Piercy C，Ludvigsson JF。产后妇女中静脉血栓栓塞的风险预测模型的开发和验证：跨国公司研究。 BMJ。 2016年12月5日; 355：i6253。 doi：10.1136/bmj.i6253。
• Rahimian F，Salimi-Khorshidi G，Payberah AH，Tran J，Ayala Solares R，Raimondi F，Nazarzadeh M，Canoy D，RahimiK。 PLOS MED。 2018年11月20日； 15（11）：E1002695。 doi：10.1371/journal.pmed.1002695。 2018年11月的环保。
• Huang Z，Dong W，Duan H，Liu J.使用电子健康记录对急性冠状动脉综合征的临床风险预测的正则深度学习方法。 IEEE TRANS BIOMED ENG。 2018年5月； 65（5）：956-968。 doi：10.1109/tbme.2017.2731158。 EPUB 2017年7月24日。
• Riley RD，Snell KI，Ensor J，Burke DL，Harrell FE JR，Moons KG，Collins GS。开发多变量预测模型的最小样本量：第二部分 - 二进制和事件时间结果。 Stat Med。 2019年3月30日； 38（7）：1276-1296。 doi：10.1002/sim.7992。 EPUB 2018 10月24日。 2019年12月30日； 38（30）：5672。

纳入标准：

• 在2009年1月1日之后诊断为AF（使用读取代码（对于CPRD患者配置文件）和ICD-10代码（对于HES事件）识别
• 在临床实践研究中，慢性阻塞性肺疾病（CPRD -GOLD）的全球趋势倡议，并有资格获得数据链接。
• 在1998年1月1日至2018年12月31日之间的期间至少有1年的随访。

排除标准：

• CPRD首次注册的日期以下18岁以下
• 1998年1月1日之前被诊断为AF
• 在CPRD-Gold中，不符合数据链接
• CPRD的随访时间不到一年