上篇　思路与方法

在《心电散点图》一书中我们曾强调要“突破惯性，转换思维”，用崭新的视角，借助非线方法看待人体的心电现象，才能获得更多临床所需要的诊断信息。由于心脏生物节律属于非线性混沌系统，而心电散点图的迭代作图方法能充分反映出这类系统的特征。系统开始给出的信息通过迭代传递，与整个系统发生紧密的连接，而影响系统的整体特征。因此系统中的每个局部都与系统的整体特性相关，同时每一个局部都可以作为一个子系统而具有其独立的特征，这使我们能够在分析一份24小时连续记录的心电数据时，既能观察整体（系统）特征又能观察局部（子系统）特征。如果数据是“均匀一致的”，如24小时心搏为同一起源点，则系统与子系统的性态是一致的，而在24小时中心搏起源不一致，则会产生不同性态的子系统，根据不同特征，区分不同子系统，可确定其起源、速率、节律。阅读心电散点图与阅读心电图的思考方式有很大不同，心电图是根据心房波、心室波的节律、速率、波形的形态变化及它们之间的关系，对心律失常进行诊断和鉴别诊断。而目前临床应用的心电散点图系统只需要输入真实的连续RR间期数值，就可以由人工根据不同心律失常所显示的不同图形诊断出临床上大部分心律失常。这不仅因为动态心电图记录的R波信号准确度高，而P波信号的不确定因素较多，更重要的是R波作为心脏传导系统下游的心室波，其速率和节律不仅受控于心室本身，而更多受控于窦房结、心房、房室结，以及心室之上传导系统的不同状态。这些上级起搏、传导系统的任何“风吹草动”都会对RR间期产生不同的影响，从而产生不同的心电散点图图形特征。这些具有不同特征的图形就是不同的子系统，由不同子系统形成的系统称“复杂巨系统”。一份有心律失常或复杂心律失常的动态心电图数据就是一个非线性的复杂巨系统，而一份正常窦性心律的动态心电图数据系统与子系统（每个时间段的数据都可视为一个子系统）的性态是一致的，则称非线性动力学系统。系统的行为模式如果用几何图形进行描述，就是“吸引子”。因此，用LP分析心律失常就是分析一份数据中吸引子的数目和性态，这是LP分析诊断思路的出发点。

心电散点图的开拓性研究和临床应用打开了心电大数据分析的新视野，用相空间中吸引子几何构形截面的表达方法，使心律失常的表现“图像”化。以此为基础可制作心电智能化诊断模型，引入人工智能技术。与此同时心电散点图软件与可穿戴心电设备的结合值得期待，大数据采集、传输、贮存的网络安全技术也值得关注。

人工智能（artificial intelligence，AI）是近年来人们热议的话题之一。它在医学领域最杰出的应用是图像识别和深度学习，而这两项重要应用都建立在医学影像大数据挖掘的基础上。人工智能正是在大数据、互联网和云计算等方法的催化作用下，一步步向我们走来。心电散点图是将大数据心电图转化为“图像”，这对擅长图像识别的人工智能技术而言更容易识别和分析。

目前，心电散点图作为心电大数据分析的实用方法，其在心电自动分析方面的优势已越来越被人们所认识，并被日益广泛地应用于临床。然而，它的应用绝不仅局限于临床诊断范畴（如更多类型心律失常诊断模型的建立、复杂心律失常的诊断、非生物心脏起搏图形的解析，以及对未知心电现象和心律失常的认识），还包括应用几何数学原理，深入探究心脏节律规律的产生机制，如“几何画板”的应用。目前，几何画板主要用于制作心律失常的心电散点图模型。模型数据来源于对心电图的人工诊断经验，将已知的某种心律失常的RR间期特征值和关系值代入几何画板的公式中，就可自动绘制出与真实心电散点图极其相近的图形，但首先需要对每一种心律失常RR间期序列的特征与特征值进行定义，而这正是过去心电波形图诊断中缺少的观察视角。对于大部分心律失常，单纯依靠心电波形图也难以推导出大部分心律失常的RR间期序列，使几何画板的应用受到限制。与此相比，逆向技术的应用更快地拓展了心电散点图的诊断视野，通过心电散点图与心电波形图的实时对照，许多原来不甚清楚的心律失常RR间期序列及其心电生理指标，如心房颤动及AVNFRP的变化、并行心律、心房扑动、逸搏及逸搏心律、窦性心律过去未知的变化模式等都一一展现出来。因此，利用逆向技术及多中心大数据的对照研究，掌握更多心电散点图诊断模型，是实现心电智能化自动诊断的基础。

人工智能促使我们的工作模式发生翻天覆地的变化，其与心电技术的结合给心电诊断带来了崭新的视角，并不断取得颠覆性和突破性的进展。然而，我们必须指出，生命状态是一个动态的非线性过程，一切都是不可逆和不可能完全重复的，人工智能很难完全脱离人的思维而独立存在。因此，我们要清醒地认识到人工智能不可能完全替代人，要在充分发挥人的聪明才智及主观能动性的前提下，真正运用好人工智能技术。

可穿戴医疗设备也是近年来日益受到关注的新技术。这类设备的应用使原本须在医院进行的很多检查项目（如血压、血氧和血糖监测），可以在社区卫生服务中心或患者家中进行。而心电图检查由于须由专业人员诊断而无法在患者家中完成，可穿戴心电设备的使用受到限制。目前，心电记录虽然可在患者家中完成，但将心电信息远程传输至专业的诊断中心来判读结果是必需的。如果未来这种远程心电诊断模式成为常态，势必对海量心电信息的处理和诊断速度提出更高要求。传统的医疗模式下，是以医院为中心，按照医院的接诊能力接诊患者；而未来的医疗模式将以患者为中心，患者在家中记录的长时程心电信息可以随时传至医疗机构，并要求实时诊断。因而，擅长处理大数据信息的心电散点图将会大有用武之地：一方面，掌握心电散点图分析技术的医师能更快地分析心电数据；另一方面，心电散点图更为可视化和直观，它能将只有专业医生才能看懂的心电波形图转化成简明的几何图形，使患者也能读懂心电诊断结果。因此，心电散点图可谓是可穿戴心电设备最匹配的软件“搭档”。

可穿戴设备以前所未有的方式扩大了心电信息采集以及数据利用广度和深度，与此同时也带来了巨大的安全隐患。可穿戴设备采集的个人数据通常涉及私人信息，如使用者的位置、家庭住址、工作单位、健康状况等，设备通过互联网将其传给云端或本地数据服务器进行存储，不同身份的用户通过不同权限访问服务器中的数据。如不进行妥善的信息安全管理，用户隐私信息很可能遭到泄露。区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。近年来，区块链技术被认为适用于解决医疗大数据在数据收集和交换方面出现的安全问题。如果说互联网信息技术负责数据的传输，那么区块链是确保信息安全的技术。有学者认为，医疗健康领域将是继金融领域后区块链技术最重要的服务方向之一。

李方洁.心电散点图——大数据分析的新视野.实用心电学杂志，2018，27（1）:7-10.