doi:10.3969/j.issn.1004-583X.2024.10.014

Abstract

CLC Number:

R541.62

Add to citation manager EndNote|Ris|BibTeX

URL: https://huicui.hebmu.edu.cn/EN/10.3969/j.issn.1004-583X.2024.10.014

https://huicui.hebmu.edu.cn/EN/Y2024/V39/I10/945

Figures/Tables 3

References 43

[1]	Savarese G, Becher PM, Lund LH, et al. Global burden of heart failure: A comprehensive and updated review of epidemiology[J]. Cardiovasc Res, 2022, 118(17): 3272-3287. doi: 10.1093/cvr/cvac013 pmid: 35150240
[2]	Hao G, Wang X, Chen Z, et al. Prevalence of heart failure and left ventricular dysfunction in China: The china hypertension survey, 2012-2015[J]. Eur J Heart Fail, 2019, 21(11): 1329-1337. doi: 10.1002/ejhf.1629 pmid: 31746111
[3]	Zhang Y, Zhang J, Butler J, et al. Contemporary epidemiology, management, and outcomes of patients hospitalized for heart failure in china: Results from the China heart failure (China-HF) registry[J]. J Card Fail, 2017, 23(12): 868-875. doi: S1071-9164(17)31230-7 pmid: 29029965
[4]	中国心血管健康与疾病报告编写组. 中国心血管健康与疾病报告2022概要[J]. 中国循环杂志, 2023, 38(6): 583-612.
[5]	中华医学会心血管病学分会, 中国医师协会心血管内科医师分会, 中国医师协会心力衰竭专业委员会, 等. 中国心力衰竭诊断和治疗指南2024[J]. 中华心血管病杂志, 2024, 52(3): 235-275.
[6]	Sana F, Isselbacher EM, Singh JP, et al. Wearable devices for ambulatory cardiac monitoring: JACC state-of-the-art review[J]. J Am Coll Cardiol, 2020, 75(13): 1582-1592.
[7]	Prieto-Avalos G, Cruz-Ramos NA, Alor-Hernández G, et al. Wearable devices for physical monitoring of heart: A review[J]. Biosensors, 2022, 12(5): 292-322.
[8]	Yang CC, Hsu YL. A review of accelerometry-based wearable motion detectors for physical activity monitoring[J]. Sensors, 2010, 10(8): 7772-7788.
[9]	Kamišali'c A, Fister I Jr, Turkanovi'c M, et al. Sensors and functionalities of non-invasive wrist-wearable devices: A review[J]. Sensors, 2018, 18(6): 1714-1746.
[10]	Almarshad MA, Islam MS, Al-Ahmadi S, et al. Diagnostic features and potential applications of PPG signal in healthcare: A systematic review[J]. Healthcare, 2022, 10(3): 547-574.
[11]	Dagher L, Shi H, Zhao Y, et al. Wearables in cardiology: Here to stay[J]. Heart Rhythm, 2020, 17(5 Pt B): 889-895. doi: S1547-5271(20)30174-0 pmid: 32354455
[12]	Kario K, Shimbo D, Tomitani N, et al. The first study comparing a wearable watch-type blood pressure monitor with a conventional ambulatory blood pressure monitor on in-office and out-of-office settings[J]. J Clin Hypertens, 2020, 22(2): 135-141.
[13]	Bard DM, Joseph JI, van Helmond N. Cuff-less methods for blood pressure telemonitoring[J]. Front Cardiovasc Med, 2019, 6: 40-46. doi: 10.3389/fcvm.2019.00040 pmid: 31157236
[14]	Liu ZD, Li Y, Zhang YT, et al. Cuffless blood pressure measurement using smartwatches: A large-scale validation study[J]. IEEE J Biomed Health Inform, 2023, 27(9): 4216-4227.
[15]	Khan MR, Guha SK, Tandon S, et al. Quantitative electrical-impedance plethysmography for pulmonary oedema[J]. Med Biol Eng Comput, 1977, 15(6): 627-633. pmid: 203784
[16]	Samol A, Bischof K, Luani B, et al. Single-lead ECG recordings including einthoven and wilson leads by a smartwatch: A new era of patient directed early ECG differential diagnosis of cardiac diseases?[J]. Sensors, 2019, 19(20): 4377-4387.
[17]	Gao Z, Wang Y, Xu X, et al. A portable cardiac dynamic monitoring system in the framework of electro-mechano-acoustic mapping[J]. IEEE Trans Biomed Circuits Syst, 2023, Pp: 1-17.
[18]	Shah AJ, Isakadze N, Levantsevych O, et al. Detecting heart failure using wearables: A pilot study[J]. Physiol Meas, 2020, 41(4): 044001.
[19]	Koivisto T, Lahdenoja O, Hurnanen T, et al. Mechanocardiography-based measurement system indicating changes in heart failure patients during hospital admission and discharge[J]. Sensors, 2022, 22(24): 9781-9793.
[20]	Shandhi MMH, Fan J, Heller JA, et al. Estimation of changes in intracardiac hemodynamics using wearable seismocardiography and machine learning in patients with heart failure: A feasibility study[J]. IEEE Trans Biomed Eng, 2022, 69(8): 2443-2455.
[21]	Inan OT, Baran Pouyan M, Javaid AQ, et al. Novel wearable seismocardiography and machine learning algorithms can assess clinical status of heart failure patients[J]. Circ Heart Fail, 2018, 11(1): e004313.
[22]	Shandhi MMH, Hersek S, Fan J, et al. Wearable patch-based estimation of oxygen uptake and assessment of clinical status during cardiopulmonary exercise testing in patients with heart failure[J]. J Card Fail, 2020, 26(11): 948-958. doi: 10.1016/j.cardfail.2020.05.014 pmid: 32473379
[23]	Omar M, Jensen J, Frederiksen PH, et al. Hemodynamic determinants of activity measured by accelerometer in patients with stable heart failure[J]. JACC Heart Fail, 2021, 9(11): 824-835.
[24]	Amir O, Azzam ZS, Gaspar T, et al. Validation of remote dielectric sensing (ReDS^TM) technology for quantification of lung fluid status: Comparison to high resolution chest computed tomography in patients with and without acute heart failure[J]. Int J Cardiol, 2016, 221: 841-846.
[25]	Wheatley-Guy CM, Sajgalik P, Cierzan BS, et al. Validation of radiofrequency determined lung fluid using thoracic CT: Findings in acute decompensated heart failure patients[J]. Int J Cardiol Heart Vasc, 2020, 30: 100645.
[26]	Anand IS, Tang WH, Greenberg BH, et al. Design and performance of a multisensor heart failure monitoring algorithm: Results from the multisensor monitoring in congestive heart failure (MUSIC) study[J]. J Card Fail, 2012, 18(4): 289-295. doi: 10.1016/j.cardfail.2012.01.009 pmid: 22464769
[27]	Stehlik J, Schmalfuss C, Bozkurt B, et al. Continuous wearable monitoring analytics predict heart failure hospitalization: The LINK-HF multicenter study[J]. Circ Heart Fail, 2020, 13(3): e006513.
[28]	Shochat MK, Shotan A, Blondheim DS, et al. Non-invasive lung IMPEDANCE-guided preemptive treatment in chronic heart failure patients: A randomized controlled trial (IMPEDANCE-HF Trial)[J]. J Card Fail, 2016, 22(9): 713-722. doi: 10.1016/j.cardfail.2016.03.015 pmid: 27058408
[29]	Amir O, Ben-Gal T, Weinstein JM, et al. Evaluation of remote dielectric sensing (ReDS) technology-guided therapy for decreasing heart failure re-hospitalizations[J]. Int J Cardiol, 2017, 240: 279-284. doi: S0167-5273(16)32225-2 pmid: 28341372
[30]	Koehler F, Koehler K, Deckwart O, et al. Efficacy of telemedical interventional management in patients with heart failure (TIM-HF2): A randomised, controlled, parallel-group, unmasked trial[J]. Lancet, 2018, 392(10152): 1047-1057. doi: S0140-6736(18)31880-4 pmid: 30153985
[31]	Lala A, Barghash MH, Giustino G, et al. Early use of remote dielectric sensing after hospitalization to reduce heart failure readmissions[J]. ESC Heart Fail, 2021, 8(2): 1047-1054. doi: 10.1002/ehf2.13026 pmid: 33336881
[32]	Alvarez-Garcia J, Lala A, Rivas-Lasarte M, et al. Remote dielectric sensing before and after discharge in patients with ADHF: The ReDS-SAFE HF trial[J]. JACC Heart Fail, 2024, 12(4): 695-706.
[33]	Thorup C, Hansen J, Grønkjær M, et al. Cardiac patients' walking activity determined by a step counter in cardiac telerehabilitation: Data from the intervention arm of a randomized controlled trial[J]. J Med Internet Res, 2016, 18(4): e5191.
[34]	Nagatomi Y, Ide T, Higuchi T, et al. Home-based cardiac rehabilitation using information and communication technology for heart failure patients with frailty[J]. ESC Heart Fail, 2022, 9(4): 2407-2418. doi: 10.1002/ehf2.13934 pmid: 35534907
[35]	Fuller D, Colwell E, Low J, et al. Reliability and validity of commercially available wearable devices for measuring steps, energy expenditure, and heart rate: Systematic review[J]. JMIR Mhealth Uhealth, 2020, 8(9): e18694.
[36]	Kaye DM, Lefkovits J, Jennings GL, et al. Adverse consequences of high sympathetic nervous activity in the failing human heart[J]. J Am Coll Cardiol, 1995, 26(5): 1257-1263. doi: 10.1016/0735-1097(95)00332-0 pmid: 7594040
[37]	Fallahzadeh R, Pedram M, Ghasemzadeh H. SmartSock: A wearable platform for context-aware assessment of ankle edema[J]. Annu Int Conf IEEE Eng Med Biol Soc, 2016, 2016: 6302-6306. doi: 10.1109/EMBC.2016.7592169 pmid: 28269690
[38]	Elian A, Sada N, Elfadel I, et al. A preliminary evaluation of continuous, shoe-integrated weight measurements for heart failure patients[J]. Annu Int Conf IEEE Eng Med Biol Soc, 2016, 2016: 4768-4771. doi: 10.1109/EMBC.2016.7591793 pmid: 28269336
[39]	Heidenreich PA, Bozkurt B, Aguilar D, et al. 2022 AHA/ACC/HFSA guideline for the management of heart failure: Executive summary: A report of the American college of cardiology/american heart association joint committee on clinical practice guidelines[J]. Circulation, 2022, 145(18): e876-e894.
[40]	Bayoumy K, Gaber M, Elshafeey A, et al. Smart wearable devices in cardiovascular care: Where we are and how to move forward[J]. Nat Rev Cardiol, 2021, 18(8): 581-599. doi: 10.1038/s41569-021-00522-7 pmid: 33664502
[41]	Hughes A, Shandhi MMH, Master H, et al. Wearable devices in cardiovascular medicine[J]. Circ Res, 2023, 132(5): 652-670. doi: 10.1161/CIRCRESAHA.122.322389 pmid: 36862812
[42]	Miao F, Wu D, Liu Z, et al. Wearable sensing, big data technology for cardiovascular healthcare: Current status and future prospective[J]. Chin Med J (Engl), 2023, 136(9): 1015-1025.
[43]	Li T, Sahu AK, Talwalkar A, et al. Federated learning: Challenges, methods, and future directions[J]. IEEE Signal Proc Mag, 2020, 37(3): 50-60.

		设备名称及形式	设备监测的主要生理参数	纳入研究	研究人群	研究设计	研究结果	结论及临床意义
持续性监测	生理变量监测	三星 Simband 腕带	PPG、SCG	Shah等^[18] 2020	纳入97例行床边心电图检查的住院患者,其中54例心衰患者,43例非心衰患者	使用可穿戴设备提取了心跳变异性和信号质量的4个特征,并进行机器学习分类算法分析,结合其他临床可用数据建立心衰诊断预测模型	根据该腕带设备诊断心衰的准确率为74%,结合病史、体格检查等在内的其他临床数据时诊断准确率提高到82%	可穿戴腕带所收集的数据或可作为协助心衰的诊断评估和风险分层的辅助工具
		Shimmer 3 贴片	SCG等心脏机械振动信号	Koivisto等^[19] 2022	纳入20例因心衰加重而住院的患者	比较患者因心衰加重入院时及病情稳定出院时可穿戴设备获得的各项参数	发现3个提示急性失代偿性心衰的特征:信号均方根强度增加,第三心音强度增加,第一心音周围信号稳定性下降	基于心脏机械振动信号的测量系统,可以反映心衰失代偿状态的发生
		贴片	SCG、心电图	Shandhi等^[20] 2022	纳入20例心衰患者,排除心源性休克患者	使用血管扩张药物时,依据设备同步记录的参数变化来估计肺动脉平均压和肺毛细血管楔压的变化,以右心导管检查为金标准,开发并验证相关模型	SCG的变化与肺动脉平均压和肺毛细血管楔压的急性变化相关	可穿戴设备获取的SCG信号变化可用于跟踪心衰患者心内血流动力学的急性变化
	活动监测	贴片	SCG、心电图	Inan等^[21] 2018	纳入45例C期心衰患者,其中13例失代偿心衰患者,32例代偿性心衰患者	在患者进行6 min步行试验前后分别使用设备检测。使用图形相似度得分(GSS)描述试验前后差异。比较代偿与失代偿心衰患者GSS评分,以及失代偿心衰患者入院及出院时的GSS评分	失代偿心衰患者的GSS显着高于代偿期患者,表明失代偿期患者的心血管储备减少。失代偿心衰患者的GSS从入院到出院有所下降,表明心血管储备有所改善	可穿戴技术和机器学习算法可以通过分析心脏对运动的反映来评估代偿和失代偿的心衰状态
		贴片	SCG、心电图	Shandhi等^[22] 2020	纳入59例射血分数降低心衰患者,且体质量指数(BMI)<40 kg/m²	佩戴设备并进行心肺运动实验,根据连续测量的SCG和心电信号来估计摄氧量,并进一步评估分类患者临床状态	获得的相关模型具有较好的准确性、敏感性、特异性	可穿戴设备监测可以为心衰患者的风险分层提供价值
		Actigraph GT3X活动监测器腰带	身体活动	Omar等^[23] 2021	纳入稳定性心衰患者63例,NYHA Ⅱ-Ⅲ级,射血分数≤40%,入组前至少接受3个月指南指导的药物治疗	患者连续佩戴监测设备7 d,根据每日运动量分为PADA-Low和PADA-High组,并接受右心导管检查	PADA-Low组休息时的心脏指数、心搏量较低;运动高峰时,心脏指数峰值较低,且较安静时的上升幅度也小于PADA-High组	通过可穿戴设备监测患者活动状态以反映患者心功能是可行的
	容量监测	ReDS 胸带背心	胸阻抗	Amir等^[24] 2016	纳入16例急性失代偿性心衰患者和15例非心衰患者	使用ReDS设备测量得到ReDS值与该患者的胸部CT结果进行比较	ReDS监测结果与胸部CT结果之间存在高度相关性	ReDS可准确反映急性失代偿心衰患者肺液含量
	容量监测	ZOLL-HFAMS 贴片	胸阻抗	Wheatley-Guy等^[25] 2020	纳入120例患者,其中急性心衰住院患者66例,非急性心衰住院患者54例	患者使用放置在左腋中线的可穿戴贴片装置检测肺液含量,并与仰卧位胸部CT扫描结果相比较	设备评估得到的肺液含量与CT测量结果具有较好的相关性,且与CT在鉴别急性心衰和对照组中的表现一样好	可穿戴设备可以用于确定肺液的存在和定量
早期预警急性失代偿		MUSE 贴片	阻抗、心率、呼吸、身体活动等	Anand等^[26] 2012	纳入543例NYHA Ⅲ-Ⅳ级患者,射血分数≤40%,入组前12个月内有因心衰入院史	使用多传感器设备对患者进行90 d的远程监测,利用获取的数据开发并验证一种多参数心衰预测模型,以预测即将到来的急性心衰失代偿	在开发队列中,模型的敏感度为65%,特异性为90%。在验证队列中,模型敏感度为63%,特异性为92%	利用可穿戴多传感器监测系统,可以预测急性失代偿事件的发生
早期预警急性失代偿		Vital Patch 贴片	心率、心律、呼吸频率、身体活动等	Stehlik等^[27] 2020	纳入100例有心衰病史、NYHA Ⅱ-Ⅳ级、因急性心衰加重住院的患者	患者在出院后被要求每天24 h佩戴传感器,随访30~90 d。当设备监测到数据与基线水平有差异时会触发预警。主要终点事件是再入院情况	该设备能够以76%~88%的敏感度和85%的特异性检测心衰恶化再住院的发生,从初次预警到再次入院的中位时间为6.5 d	该系统能够准确并且提前预测心衰再住院事件发生
调整治疗、改善预后		Edema Guard Monitor 胸带背心	胸阻抗	Shochat等^[28] 2016	纳入256例慢性心衰患者,左室射血分数≤35%,NYHA Ⅱ-Ⅳ级,入组前12个月内因急性心衰发作住院	患者随机分为对照组和监测组,对照组接受常规临床评估治疗,监测组同时接受可穿戴设备监测,期间根据病情变化调整治疗,随访至少12个月。主要终点是心衰急性发作住院率,次要终点是全因住院率和死亡率	监测组第一年心衰住院67例,对照组158例(P<0.001);随访期间监测组心衰住院211例,对照组386例(P<0.001)。监测组和对照组分别有42例和59例死亡(P=0.002),其中心衰死亡的分别为13例和31例(P<0.001)	可穿戴设备的监测和干预可减少心衰住院率,以及心衰、心血管和全因死亡的发生率
		ReDS 胸带背心	胸阻抗	Amir等^[29] 2017	纳入50例因急性失代偿性心衰住院的患者	出院后使用可穿戴设备每日监测ReDS值,并据此优化治疗,以维持正常的肺液含量。比较ReDS指导下,及入组前90 d和停止ReDS监测后90 d的心衰住院次数	使用ReDS评估的患者90 d内心衰住院率显著减少了87%,并且在停止使用设备后的90 d内住院率是监测期间的4.75倍	ReDS指导的治疗可减少急性失代偿性心衰患者的心衰再入院率
		包括心电图设备、血压计、体重秤、血氧仪在内的多组件设备	体重、血压、心率、心律、血氧饱和度	Koehler等^[30] 2018	纳入1571例12个月内因心衰恶化而入院,NYHA Ⅱ-Ⅲ级,LVEF≤45%或>45%、正在接受口服利尿剂治疗的患者	分为远程管理组和常规护理组,其中远程管理组需每日上传所提供设备检测的数据,并进行每月电话随访,根据病情变化调整治疗方案。主要结局是计划外心血管住院或全因死亡	与常规护理组相比,远程管理组患者计划外心血管住院率和全因死亡率更少	远程管理干预可以减少心衰患者住院率和死亡率
		ReDS 胸带背心	胸阻抗	Lala等^[31] 2021	纳入220例因心衰住院且出院10 d内的患者	分为监测组和对照组,监测组使用ReDS评估肺液含量并根据病情调整药物治疗方案,对照组常规治疗。主要终点是30 d内心血管和全因再入院	80例患者进行ReDS监测,52例患者进行了药物调整。使用ReDS与较低的30 d心血管再入院率相关,且有降低全因再入院率的趋势	心衰患者出院后使用ReDS指导治疗可降低再住院率
		ReDS 胸带背心	胸阻抗	Alvarez-Garcia等^[32] 2024	纳入100例因心衰而住院的患者,且NT-proBNP≥400 pg/L或BNP≥100 pg/L	分为常规护理组及ReDS指导治疗组。ReDS组每天使用设备进行测量,根据ReDS值调整药物治疗。主要结局是因急性失代偿性心衰进行计划外就诊或住院、出院后30 d全因死亡	ReDS指导治疗组的结局事件发生率较低,HR 0.094(P=0.003),其中主要是由于心衰入院率降低。ReDS组的中位再入院时间较常规护理组延长	ReDS指导的治疗改善了出院后1个月的预后,主要是因为心衰再入院率减少
促进患者活动和康复		Fitbit Zip 夹扣	身体活动	Thorup等^[33] 2016	纳入64例因心衰、冠心病、或瓣膜手术住院的患者	使用计步器来监测每日步数,监测时间持续12个月	心脏病患者平均每天步行5899步,从第一周的平均每天5191步增加到1年后平均每天7890步	在计步器的监督下患者的运动依从性及运动耐量得到了有效提高
促进患者活动和康复		Fitbit 手环	身体活动	Nagatomi等^[34] 2022	纳入30例身体虚弱的心衰患者	随机分为常规康复组和综合管理组。综合管理组进行3个月基于Fitbit的运动和营养指导。主要结局是6 min步行距离的变化	使用可穿戴设备的综合管理组比常规康复组的6 min步行距离的变化更大(P<0.001)	可穿戴设备的监测及干预,可以促进患者心脏康复

		设备名称及形式	设备监测的主要生理参数	纳入研究	研究人群	研究设计	研究结果	结论及临床意义
持续性监测	生理变量监测	三星 Simband 腕带	PPG、SCG	Shah等^[18] 2020	纳入97例行床边心电图检查的住院患者,其中54例心衰患者,43例非心衰患者	使用可穿戴设备提取了心跳变异性和信号质量的4个特征,并进行机器学习分类算法分析,结合其他临床可用数据建立心衰诊断预测模型	根据该腕带设备诊断心衰的准确率为74%,结合病史、体格检查等在内的其他临床数据时诊断准确率提高到82%	可穿戴腕带所收集的数据或可作为协助心衰的诊断评估和风险分层的辅助工具
		Shimmer 3 贴片	SCG等心脏机械振动信号	Koivisto等^[19] 2022	纳入20例因心衰加重而住院的患者	比较患者因心衰加重入院时及病情稳定出院时可穿戴设备获得的各项参数	发现3个提示急性失代偿性心衰的特征:信号均方根强度增加,第三心音强度增加,第一心音周围信号稳定性下降	基于心脏机械振动信号的测量系统,可以反映心衰失代偿状态的发生
		贴片	SCG、心电图	Shandhi等^[20] 2022	纳入20例心衰患者,排除心源性休克患者	使用血管扩张药物时,依据设备同步记录的参数变化来估计肺动脉平均压和肺毛细血管楔压的变化,以右心导管检查为金标准,开发并验证相关模型	SCG的变化与肺动脉平均压和肺毛细血管楔压的急性变化相关	可穿戴设备获取的SCG信号变化可用于跟踪心衰患者心内血流动力学的急性变化
	活动监测	贴片	SCG、心电图	Inan等^[21] 2018	纳入45例C期心衰患者,其中13例失代偿心衰患者,32例代偿性心衰患者	在患者进行6 min步行试验前后分别使用设备检测。使用图形相似度得分(GSS)描述试验前后差异。比较代偿与失代偿心衰患者GSS评分,以及失代偿心衰患者入院及出院时的GSS评分	失代偿心衰患者的GSS显着高于代偿期患者,表明失代偿期患者的心血管储备减少。失代偿心衰患者的GSS从入院到出院有所下降,表明心血管储备有所改善	可穿戴技术和机器学习算法可以通过分析心脏对运动的反映来评估代偿和失代偿的心衰状态
		贴片	SCG、心电图	Shandhi等^[22] 2020	纳入59例射血分数降低心衰患者,且体质量指数(BMI)<40 kg/m²	佩戴设备并进行心肺运动实验,根据连续测量的SCG和心电信号来估计摄氧量,并进一步评估分类患者临床状态	获得的相关模型具有较好的准确性、敏感性、特异性	可穿戴设备监测可以为心衰患者的风险分层提供价值
		Actigraph GT3X活动监测器腰带	身体活动	Omar等^[23] 2021	纳入稳定性心衰患者63例,NYHA Ⅱ-Ⅲ级,射血分数≤40%,入组前至少接受3个月指南指导的药物治疗	患者连续佩戴监测设备7 d,根据每日运动量分为PADA-Low和PADA-High组,并接受右心导管检查	PADA-Low组休息时的心脏指数、心搏量较低;运动高峰时,心脏指数峰值较低,且较安静时的上升幅度也小于PADA-High组	通过可穿戴设备监测患者活动状态以反映患者心功能是可行的
	容量监测	ReDS 胸带背心	胸阻抗	Amir等^[24] 2016	纳入16例急性失代偿性心衰患者和15例非心衰患者	使用ReDS设备测量得到ReDS值与该患者的胸部CT结果进行比较	ReDS监测结果与胸部CT结果之间存在高度相关性	ReDS可准确反映急性失代偿心衰患者肺液含量
	容量监测	ZOLL-HFAMS 贴片	胸阻抗	Wheatley-Guy等^[25] 2020	纳入120例患者,其中急性心衰住院患者66例,非急性心衰住院患者54例	患者使用放置在左腋中线的可穿戴贴片装置检测肺液含量,并与仰卧位胸部CT扫描结果相比较	设备评估得到的肺液含量与CT测量结果具有较好的相关性,且与CT在鉴别急性心衰和对照组中的表现一样好	可穿戴设备可以用于确定肺液的存在和定量
早期预警急性失代偿		MUSE 贴片	阻抗、心率、呼吸、身体活动等	Anand等^[26] 2012	纳入543例NYHA Ⅲ-Ⅳ级患者,射血分数≤40%,入组前12个月内有因心衰入院史	使用多传感器设备对患者进行90 d的远程监测,利用获取的数据开发并验证一种多参数心衰预测模型,以预测即将到来的急性心衰失代偿	在开发队列中,模型的敏感度为65%,特异性为90%。在验证队列中,模型敏感度为63%,特异性为92%	利用可穿戴多传感器监测系统,可以预测急性失代偿事件的发生
早期预警急性失代偿		Vital Patch 贴片	心率、心律、呼吸频率、身体活动等	Stehlik等^[27] 2020	纳入100例有心衰病史、NYHA Ⅱ-Ⅳ级、因急性心衰加重住院的患者	患者在出院后被要求每天24 h佩戴传感器,随访30~90 d。当设备监测到数据与基线水平有差异时会触发预警。主要终点事件是再入院情况	该设备能够以76%~88%的敏感度和85%的特异性检测心衰恶化再住院的发生,从初次预警到再次入院的中位时间为6.5 d	该系统能够准确并且提前预测心衰再住院事件发生
调整治疗、改善预后		Edema Guard Monitor 胸带背心	胸阻抗	Shochat等^[28] 2016	纳入256例慢性心衰患者,左室射血分数≤35%,NYHA Ⅱ-Ⅳ级,入组前12个月内因急性心衰发作住院	患者随机分为对照组和监测组,对照组接受常规临床评估治疗,监测组同时接受可穿戴设备监测,期间根据病情变化调整治疗,随访至少12个月。主要终点是心衰急性发作住院率,次要终点是全因住院率和死亡率	监测组第一年心衰住院67例,对照组158例(P<0.001);随访期间监测组心衰住院211例,对照组386例(P<0.001)。监测组和对照组分别有42例和59例死亡(P=0.002),其中心衰死亡的分别为13例和31例(P<0.001)	可穿戴设备的监测和干预可减少心衰住院率,以及心衰、心血管和全因死亡的发生率
		ReDS 胸带背心	胸阻抗	Amir等^[29] 2017	纳入50例因急性失代偿性心衰住院的患者	出院后使用可穿戴设备每日监测ReDS值,并据此优化治疗,以维持正常的肺液含量。比较ReDS指导下,及入组前90 d和停止ReDS监测后90 d的心衰住院次数	使用ReDS评估的患者90 d内心衰住院率显著减少了87%,并且在停止使用设备后的90 d内住院率是监测期间的4.75倍	ReDS指导的治疗可减少急性失代偿性心衰患者的心衰再入院率
		包括心电图设备、血压计、体重秤、血氧仪在内的多组件设备	体重、血压、心率、心律、血氧饱和度	Koehler等^[30] 2018	纳入1571例12个月内因心衰恶化而入院,NYHA Ⅱ-Ⅲ级,LVEF≤45%或>45%、正在接受口服利尿剂治疗的患者	分为远程管理组和常规护理组,其中远程管理组需每日上传所提供设备检测的数据,并进行每月电话随访,根据病情变化调整治疗方案。主要结局是计划外心血管住院或全因死亡	与常规护理组相比,远程管理组患者计划外心血管住院率和全因死亡率更少	远程管理干预可以减少心衰患者住院率和死亡率
		ReDS 胸带背心	胸阻抗	Lala等^[31] 2021	纳入220例因心衰住院且出院10 d内的患者	分为监测组和对照组,监测组使用ReDS评估肺液含量并根据病情调整药物治疗方案,对照组常规治疗。主要终点是30 d内心血管和全因再入院	80例患者进行ReDS监测,52例患者进行了药物调整。使用ReDS与较低的30 d心血管再入院率相关,且有降低全因再入院率的趋势	心衰患者出院后使用ReDS指导治疗可降低再住院率
		ReDS 胸带背心	胸阻抗	Alvarez-Garcia等^[32] 2024	纳入100例因心衰而住院的患者,且NT-proBNP≥400 pg/L或BNP≥100 pg/L	分为常规护理组及ReDS指导治疗组。ReDS组每天使用设备进行测量,根据ReDS值调整药物治疗。主要结局是因急性失代偿性心衰进行计划外就诊或住院、出院后30 d全因死亡	ReDS指导治疗组的结局事件发生率较低,HR 0.094(P=0.003),其中主要是由于心衰入院率降低。ReDS组的中位再入院时间较常规护理组延长	ReDS指导的治疗改善了出院后1个月的预后,主要是因为心衰再入院率减少
促进患者活动和康复		Fitbit Zip 夹扣	身体活动	Thorup等^[33] 2016	纳入64例因心衰、冠心病、或瓣膜手术住院的患者	使用计步器来监测每日步数,监测时间持续12个月	心脏病患者平均每天步行5899步,从第一周的平均每天5191步增加到1年后平均每天7890步	在计步器的监督下患者的运动依从性及运动耐量得到了有效提高
促进患者活动和康复		Fitbit 手环	身体活动	Nagatomi等^[34] 2022	纳入30例身体虚弱的心衰患者	随机分为常规康复组和综合管理组。综合管理组进行3个月基于Fitbit的运动和营养指导。主要结局是6 min步行距离的变化	使用可穿戴设备的综合管理组比常规康复组的6 min步行距离的变化更大(P<0.001)	可穿戴设备的监测及干预,可以促进患者心脏康复

试验名称及编号	设备名称及形式	设备监测的主要变量	纳入人群	主要结局指标
VAL-HIC(NCT05825755)	包括血压计、体重秤、血氧仪、可穿戴设备在内的多组件设备	体重、血压、心率、心律、血氧饱和度等	预计入组250例NYHA≥II级的近期因急性失代偿性心衰住院的心衰患者	患者生活质量量表、自我护理量表和治疗依从性量表的标准化及加权变化
NCT04196842	一套远程监测设备:心率和血压监测器、体重秤和活动追踪器	血压、心率、体重、身体活动	预计入组100例心衰患者	心衰不良结局发生率:死亡率、住院率、机械循环支持装置或心脏移植
LINK-HF2(NCT04502563)	贴片	心率、心律、呼吸频率、身体活动等	预计入组240例心衰患者,NYHA Ⅱ-Ⅳ级	心衰住院率
WEAR-HF(NCT06335264)	Watch HOP 手表	身体活动、皮肤温度、心率变异性、心电、语音	预计入组27例心衰患者,27例非心衰患者	存在或不存在心衰
NCT04510779	Apple Watch 手表	心率变异性	预计入组40例因急性失代偿性心衰入院的患者,左室射血分数>35%	出院时心率变异性与入院时的标准差差异
NCT06243029	贴片	心率、心率变异性、RR间期、呼吸频率、活动水平	预计入组80例因心衰入院患者	基线和随访之间测量变量的变化
RADAR-HF(NCT03586336)	ReDS 胸带背心	胸阻抗	预计入组100例因急性失代偿性心衰住院的患者,需要静脉利尿剂和(或)静脉注射血管活性药物治疗	住院期间的净液体平衡
NCT05405504	ReDS ICU和ReDS Pro System v2.7	胸阻抗	ICU部分: 使用Swan-Ganz导管和动脉导管的急性心衰患者门诊部分: 装有CardioMEMS的慢性心衰患者	ReDS ICU参数与 Swan-Ganz测量值之间的相关性 ReDS v2.7参数与 CardioMEMS测量值之间的相关性
CONGEST-HFEX(NCT06393842)	心肺循环管理系统CPM 贴片	胸阻抗和S3等	需要静脉注射利尿剂治疗的心衰患者	确定设备测量指标(胸阻抗和S3)与临床指标(身体症状和体征以及心超结果)之间的相关性
NCT05978518	心肺循环管理系统CPM 贴片	胸阻抗和S3等	预计入组100例NYHA Ⅱ-Ⅳ级心衰患者	心衰和心衰相关事件的再入院率
NCT06045117	心肺循环管理系统CPM 贴片	胸阻抗和S3等	预计入组75例心衰患者	心衰和心衰相关事件的再入院率
Nanosense(NCT03719079)	SimpleSENSE 胸带背心	胸阻抗等	预计入组500例在2周内因心衰而住院的患者,NYHA Ⅱ-Ⅳ级	开发和验证一种多参数算法,用于预测即将到来的急性心衰事件
DETECT-HF(NCT06378632)	基于智能手机的 Hearo App	语音	预计入组500例NYHA Ⅱ-Ⅳa患者,在过去12个月内因急性失代偿心衰住院或计划外静脉/皮下注射利尿剂治疗	心衰事件

试验名称及编号	设备名称及形式	设备监测的主要变量	纳入人群	主要结局指标
VAL-HIC(NCT05825755)	包括血压计、体重秤、血氧仪、可穿戴设备在内的多组件设备	体重、血压、心率、心律、血氧饱和度等	预计入组250例NYHA≥II级的近期因急性失代偿性心衰住院的心衰患者	患者生活质量量表、自我护理量表和治疗依从性量表的标准化及加权变化
NCT04196842	一套远程监测设备:心率和血压监测器、体重秤和活动追踪器	血压、心率、体重、身体活动	预计入组100例心衰患者	心衰不良结局发生率:死亡率、住院率、机械循环支持装置或心脏移植
LINK-HF2(NCT04502563)	贴片	心率、心律、呼吸频率、身体活动等	预计入组240例心衰患者,NYHA Ⅱ-Ⅳ级	心衰住院率
WEAR-HF(NCT06335264)	Watch HOP 手表	身体活动、皮肤温度、心率变异性、心电、语音	预计入组27例心衰患者,27例非心衰患者	存在或不存在心衰
NCT04510779	Apple Watch 手表	心率变异性	预计入组40例因急性失代偿性心衰入院的患者,左室射血分数>35%	出院时心率变异性与入院时的标准差差异
NCT06243029	贴片	心率、心率变异性、RR间期、呼吸频率、活动水平	预计入组80例因心衰入院患者	基线和随访之间测量变量的变化
RADAR-HF(NCT03586336)	ReDS 胸带背心	胸阻抗	预计入组100例因急性失代偿性心衰住院的患者,需要静脉利尿剂和(或)静脉注射血管活性药物治疗	住院期间的净液体平衡
NCT05405504	ReDS ICU和ReDS Pro System v2.7	胸阻抗	ICU部分: 使用Swan-Ganz导管和动脉导管的急性心衰患者门诊部分: 装有CardioMEMS的慢性心衰患者	ReDS ICU参数与 Swan-Ganz测量值之间的相关性 ReDS v2.7参数与 CardioMEMS测量值之间的相关性
CONGEST-HFEX(NCT06393842)	心肺循环管理系统CPM 贴片	胸阻抗和S3等	需要静脉注射利尿剂治疗的心衰患者	确定设备测量指标(胸阻抗和S3)与临床指标(身体症状和体征以及心超结果)之间的相关性
NCT05978518	心肺循环管理系统CPM 贴片	胸阻抗和S3等	预计入组100例NYHA Ⅱ-Ⅳ级心衰患者	心衰和心衰相关事件的再入院率
NCT06045117	心肺循环管理系统CPM 贴片	胸阻抗和S3等	预计入组75例心衰患者	心衰和心衰相关事件的再入院率
Nanosense(NCT03719079)	SimpleSENSE 胸带背心	胸阻抗等	预计入组500例在2周内因心衰而住院的患者,NYHA Ⅱ-Ⅳ级	开发和验证一种多参数算法,用于预测即将到来的急性心衰事件
DETECT-HF(NCT06378632)	基于智能手机的 Hearo App	语音	预计入组500例NYHA Ⅱ-Ⅳa患者,在过去12个月内因急性失代偿心衰住院或计划外静脉/皮下注射利尿剂治疗	心衰事件

面临挑战	应对措施
数据安全与管理问题	·开发和使用网络安全工具,如联邦算法、区块链技术等
	·创建明确的数据隐私保护政策
	·建立完善透明的数据使用及共享条例
数字鸿沟问题	·简化操作程序、提高设备的可访问性、对患者进行数字化培训等
	·降低可穿戴设备的成本或提供报销,提高可负担性
临床标准化和临床决策的建立问题	·进行大规模随机对照试验,在不同研究人群中评估硬性临床结果及临床意义
	·开发综合临床管理平台,整合可穿戴数据及其他电子健康记录信息
	·创建标准化使用流程,扩大可穿戴设备的临床应用

RichHTML

PDF (PC)

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 3

References 43

Related Articles 5

Recommended Articles

Metrics

Comments

[1]	Wang Ting, Chai Chunyan, Li Min. Three cases review and literature review of elderly heart failure patients with delirium as the initial symptom [J]. Clinical Focus, 2024, 39(5): 440-444.
[2]	Duan Fang, Cui Wei. Application principles of vasodilators in the treatment of acute heart failure [J]. Clinical Focus, 2023, 38(9): 773-778.
[3]	. [J]. Clinical Focus, 2023, 38(9): 832-837.
[4]	. [J]. CLINICAL FOCUS, 2009, 24(12): 1055-0.
[5]	. [J]. CLINICAL FOCUS, 2004, 19(23): 1353-1354.