从医疗级可穿戴心电监测设备切入，MagicMed 利用AI助力心脏健康管理

正文

请到「今天看啥」查看全文

然而，心血管疾病具有隐匿性和突发性与一过性的特点，患者自我并不清楚病情严重与否，到医院常规心电检查时症状常常已经消失，无法准确捕捉异常数据，医生对患者需要进一步观察监测，获取更多的数据支持。

为了实现异常数据捕捉，传统临床上主要利用 Holter完成24小时动态心电监测。然而，佩戴动态心电图的过程中，病人的运动以及病人本身带的静电对心电图质量造成的影响极大，Holter在这种不可避免的活动场景中信号干扰比较严重。

理论上，临床医生需要对 24小时内所有异常心电记录进行审核，工作量极大，在现实当中很难实现。 所以传统动态心电图的检查对患者的活动限制有很大限制，严格意义上来讲并不具有便携性。

“我们认为同时满足临床应用需求与便携性的可穿戴心电监测设备能够解决目前动态心电监测的很多痛点，拥有巨大的发展价值，可以快速实现商业化落地。”MagicMed创始人马龙这样表示。

-数据 分析

是可穿戴心电监测设备 最大 技术壁垒-

一些可穿戴设备厂商看到了心电监测设备发展前景，投入到其中。我们也可以看到市面上已经开始出现一些可穿戴心电监测设备，这个领域看起来似乎没有什么技术门槛。

实则不然，通过仔细观察，我们可以发现现有可穿戴心电监测设备具有如下几种问题：

• 设备自身软件算法能力有限，功耗大、续航差无法实现长时间监测。

• 未获得医疗器械认证，不具备医疗级监测水准。医疗级心电监测产品主要应用于静态心电监测，活动状态下无法获取精确的心电数据。

• 心电数据分析仍由后台医生人工完成，效率较低，无法实现实时监控与预警。

  
  

这些问题也反映出了可穿戴心电监测设备的高技术门槛，将便携式设备应用到动态心电监测当中并非易事。动态心电数据如何用人工智能进行自动分析更是难上加难。

“长时间心电监测当中不可避免的要受到活动中肌电、静电等干扰，抗运动干扰能力是可穿戴设备监测结果精准与否的关键。

这种干扰波跟一些心电波形极为相似，有经验的医生可以很容易区分，但是目前多数的机器学习算法不具备这种能力，所以如何利用AI对心电数据进行医疗级的数据分析我们认为无论在现在还是在未来都将成为可穿戴心电监测设备的最大技术壁垒。”

MagicMed 创始团队均在生物医学工程领域有着十余年的积累和研究，其心电监测产品基于深度学习算法，目前已能够有效检出心律失常，应用到医学辅助诊疗。在国际心电图

请到「今天看啥」查看全文