房颤识别心率变异性荟萃分析数据表（Data Sheet 1）
房颤识别荟萃分析的数据表，包含12项诊断研究的汇总数据，用于评估机器学习模型检测房颤的性能。
基本信息
资源简介
房颤识别心率变异性荟萃分析数据表（Data Sheet 1）
【一句话概览】
本数据集是 figshare 公开的结构化表格数据集，收录 1 个文件、合计 409.81 KB，主题涵盖 deep learning、machine learning、atrial fibrillation、heart rate variability、ECG，可用于统计建模、特征工程与队列分析，CC BY 4.0 许可开放获取。
【数据集背景】
本数据集源站标题为《Data Sheet 1_Identification of atrial fibrillation using heart rate variability: a meta-analysis.docx》。配套论文《Heart rate variability and heart rate patterns measured from wearable and implanted devices in screening for atrial fibrillation: potential clinical and population-wide applications》发表于 European Heart Journal（2022），DOI：10.1093/eurheartj/ehac546。源站首次发布：2025-06-19。
【数据内容】
源站原始描述：BackgroundAtrial fibrillation (AF) is the most common sustained cardiac arrhythmia and is associated with significant cardiovascular complications. Recently, artificial intelligence (AI) algorithms have leveraged heart rate variability (HRV) patterns to enhance the accuracy of AF identification. MethodsWe conducted a systematic review of the literature by searching four major biomedical databases—PubMed, Web of Science, Embase, and Cochrane Library—spanning from their inception to December 13, 2…
中文译文（机器翻译，仅供快速理解，请以原文为准）：背景 心房颤动（AF）是最常见的持续性心律失常，并与显著的心血管并发症相关。近年来，人工智能（AI）算法已利用心率变异性（HRV）模式来提高AF识别的准确性。 方法 我们遵循PRISMA指南，检索了四个主要生物医学数据库——PubMed、Web of Science、Embase和Cochrane Library——从各数据库建库至2024年12月13日的文献，进行了系统综述。我们从纳入研究中提取真阳性、假阳性、真阴性和假阴性数据，并对其进行综合，以全面评估敏感度和特异度。 结果 我们的最终分析纳入12项诊断性研究。分层汇总受试者工作特征建模显示出极好的区分能力，汇总敏感度为0.94，特异度为0.97。在检测AF方面，AI模型表现出卓越性能（敏感度=0.96，特异度=0.
【数据结构与技术规格】
文件数 1 个，合计 409.81 KB。Data Sheet 1_Identification of atrial fibrillation using heart rate variability: a meta-analysis.docx：application/vnd.openxmlformats-officedocument.wordprocessingml.document，409.81 KB。数据集 DOI：10.3389/fcvm.2025.1581683.s001。
【主题与分类】
源站学科分类：Cardiology。主题标签：deep learning、machine learning、atrial fibrillation、heart rate variability、ECG、meta-analysis。
【适用方向】
结构化表格数据可直接用于统计建模、特征工程与队列分析。
【获取与许可】
源站页面：https://frontiersin.figshare.com/articles/dataset/Data_Sheet_1_Identification_of_atrial_fibrillation_using_heart_rate_variability_a_meta-analysis_docx/29363489
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Yin, Ziwei; Liu, Changxin; Xie, Chenggong; Nie, Zixing; Wei, Jiaming; Zhang, Wen; et al. (2025). Data Sheet 1_Identification of atrial fibrillation using heart rate variability: a meta-analysis.docx. Frontiers. Dataset
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取（Figshare）
- 源站标题：Data Sheet 1_Identification of atrial fibrillation using heart rate variability: a meta-analysis.docx
- DOI：10.3389/fcvm.2025.1581683.s001
- 发布日期：2025-06-19
- 文件数：1 个
- 文件总体积：409.81 KB
- 源站页面：https://frontiersin.figshare.com/articles/dataset/Data_Sheet_1_Identification_of_atrial_fibrillation_using_heart_rate_variability_a_meta-analysis_docx/29363489
命令行下载
curl -L -o "Data Sheet 1_Identification of atrial fibrillation using heart rate variability: a meta-analysis.docx" "https://ndownloader.figshare.com/files/55491794"
文件清单
Data Sheet 1_Identification of atrial fibrillation using heart rate variability: a meta-analysis.docx（409.81 KB）
文件总体积 409.81 KB（源站 API 实测）。
数据说明
BackgroundAtrial fibrillation (AF) is the most common sustained cardiac arrhythmia and is associated with significant cardiovascular complications. Recently, artificial intelligence (AI) algorithms have leveraged heart rate variability (HRV) patterns to enhance the accuracy of AF identification.
MethodsWe conducted a systematic review of the literature by searching four major biomedical databases—PubMed, Web of Science, Embase, and Cochrane Library—spanning from their inception to December 13, 2024, following the PRISMA guidelines. We extracted data on true positives, false positives, true negatives, and false negatives from the included studies, which were then synthesized to evaluate sensitivity and specificity comprehensively.
ResultsOur final analysis included 12 diagnostic studies. Hierarchical summary receiver operating characteristic modeling revealed excellent discriminative ability, with a pooled sensitivity of 0.94 and specificity of 0.97. In detecting AF, the AI model demonstrated exceptional performance (sensitivity = 0.96, specificity = 0.99, AUC = 1.00). Subgroup analyses revealed that both deep learning algorithms (sensitivity = 0.95, specificity = 0.98, AUC = 0.99) and multi-database studies (sensitivity = 0.96, specificity = 0.97, AUC = 0.99) demonstrated enhanced accuracy in AF identification compared to other approaches.
ConclusionMachine learning can effectively identify AF with HRV in ECG, especially in diagnosis and detection, with deep learning algorithms and multiple-databases outperforming other diagnostic methods.
Systematic Review Registrationhttps://www.crd.york.ac.uk/PROSPERO/, PROSPERO (CRD42025634406).
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.3389/fcvm.2025.1581683.s001（source: https://frontiersin.figshare.com/articles/dataset/Data_Sheet_1_Identification_of_atrial_fibrillation_using_heart_rate_variability_a_meta-analysis_docx/29363489）。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
