摘要
背景：可穿戴设备与基于机器学习的心电图分析技术的进步，使得在传统临床环境之外能够高精度检测心房颤动（AF），导致无症状AF的检出率持续上升。然而，AI检测的无症状AF的预后意义及其对下游心血管风险的影响尚不明确。与临床诊断的AF相比，指导该人群风险分层和进一步评估的证据有限。因此，我们在大型基于人群的队列中研究了AI检测的无症状AF与新发心血管结局的关联。
方法：我们将经过验证的开源心电图AF检测深度学习模型（AI-AF）应用于英国生物银行参与者的心电图记录。心电图显示AI检测AF但无既往临床AF诊断的参与者被归类为无症状AF组（asympAF）。采用Kaplan-Meier曲线和log-rank检验比较不同AF亚组中缺血性中风和主要心血管不良事件（MACE：心肌梗死、缺血性中风或心血管死亡）的发生率。使用Cox比例风险模型评估AI-AF风险与新发MACE的关联，校正因素包括年龄、性别、当前吸烟状况、收缩压、总胆固醇和高密度脂蛋白胆固醇以及2型糖尿病病史。随访在6年时进行行政审查截尾。
结果：研究纳入96,531名参与者，平均[标准差]年龄65[8]岁；女性占52%；中位随访[IQR]为4.7[1.6-7.2]年。64,029名参与者具有心电图数据，另纳入32,502名临床诊断心房颤动但无心电图记录的参与者。在无既往临床AF且具有可用心电图的参与者中，2,399名被AI检测归类为无症状AF组，58,879名无AF。在6年随访期内，无症状AF组缺血性中风发生率显著高于无AF个体（1.5% vs 0.52%，p<0.0001）但显著低于临床诊断AF组（1.5% vs 3.4%，p<0.0001）。心肌梗死和心血管死亡也观察到类似模式。采用更宽松的AI-AF阈值（对应15%假阳性率，即asympAF15）得出一致结果：在经校正的Cox比例风险模型中，被归类为asympAF15的参与者6年内发生新发MACE的风险高62%（风险比1.6，95%置信区间1.2-2.2）。
结论：AI检测的无症状AF识别出缺血性中风和主要心血管不良事件风险升高的个体。鉴于缺血性中风是心房颤动的标志性并发症，这些发现支持AI心电图模型可能捕获常规临床评估未发现的亚临床AF相关风险的假设。该方法可能有助于在无临床诊断AF的人群中延长预防性干预的时间窗口。
利益冲突声明
Demler博士过去曾获得Kowa研究所与当前工作无关的研究资助。
资金声明
本项目由瑞士数据科学中心资助（Dataspectrum4CVD项目#2022-812/个性化健康及相关技术C22-15P）；美国国立卫生研究院国家心肺血液研究所（R21 HL167173）；美国心脏协会（17IGMV33860009）。
作者声明
本人确认已遵循所有相关伦理准则，并获得必要的IRB和/或伦理委员会批准。
是
提供批准或豁免的研究IRB/监督机构详情如下：
苏黎世瑞士商业伦理委员会管理系统：BASEC-Nr.: Req-2024-00223；美国马萨诸塞州波士顿布莱根妇女医院IRB方案2020P002478。
本人确认已获得所有必要的患者/参与者同意，且已归档适当的机构表格，任何包含的患者/参与者/样本标识符均不被研究组外人员（如医院工作人员、患者或参与者本人）所知，因此无法用于识别个体。
是
本人确认所有临床试验及任何其他前瞻性干预研究均已在美国医学期刊编辑委员会（ICMJE）认可的注册库（如ClinicalTrials.gov）注册，并在稿件中提供了试验注册ID（注：若回顾性注册前瞻性研究，请在试验ID字段说明未提前注册的原因）。
是
本人已遵循所有适用的研究报告指南，如任何相关的EQUATOR Network研究报告清单及其他相关材料（如适用）。
是
数据可用性
本研究产生的所有数据可根据合理请求向作者获取。英国生物银行数据需在英国生物银行与第三方机构达成机构批准后方可获取。
【全文结束】
