长期以来，女性在心血管医学中一直未能得到充分代表，传统的风险评估未能考虑到两性之间的显著差异。一组研究人员开发了一种AI增强的心电图（AI-ECG）模型，用于检测细微的性别特异性心血管风险。通过对超过一百万份心电图的分析，该模型引入了一种新的生物标志物——“性别不一致评分”，突显了女性患心脏病及相关疾病的风险升高。这项研究发表在《柳叶刀数字健康》上，可能为更加精确和积极的女性心血管护理铺平道路。
性别并非二元
历史上，由于被认为患心脏病的风险较低，女性在预防性护理中一直被低估和忽视。虽然传统风险模型将性别视为二元变量，越来越多的证据表明，心血管风险可能存在于连续谱而非严格的男女分界线上。利用人工智能，最先进的ECG模型不仅能够识别性别，还能发现与不良结果相关的“误分类”现象——这表明AI可能正在检测一种更深层次的基于连续谱的生物学现实。这种方法可能会重新定义风险评估，并革新心血管护理的精准医学。
伦敦帝国理工学院的研究人员分析了来自多样化队列的120多万份心电图，发现AI可以通过识别特定的ECG特征（如心室除极时间（QRS持续时间）、心室复极特性（T波形态）和心率）来预测生物性别，具有惊人的准确性。Arunashis Sau博士及其同事发现，当AI预测的性别与生物性别之间存在差异（称为性别不一致）时，具有较高“性别不一致评分”的女性表现出显著增加的心血管事件风险，如心力衰竭和心肌梗死。研究人员使用来自英国生物银行（UK Biobank）的50多万人的数据验证了AI生成的“性别不一致评分”。
通过高级表型和全基因组分析，研究人员发现，具有较高性别不一致评分的女性往往表现出与男性心血管表型相关的特征，包括较大的心脏尺寸和较少的脂肪量。遗传分析表明，性别不一致评分可能受到与心脏结构和激素通路相关遗传变异的影响，进一步巩固了该生物标志物的生理和遗传基础。
基于性别的心血管风险
这些发现表明，AI增强的心电图可以通过识别细微的性别特异性健康脆弱性，在疾病显现之前改变风险评估和个性化护理。
尽管该研究强调了一些局限性，例如其关注自我认同的性别和缺乏关于激素水平和生命事件（如怀孕或更年期）的数据，但其影响深远。通过将AI驱动的见解整合到临床实践中，医疗系统可以更好地解决心血管护理中的不平等现象，并改善女性的治疗效果——这一群体在传统范式中常常被忽视。研究人员建议将这种生物标志物嵌入电子健康记录中，以个性化预防护理，为更加公平和精准的心血管健康管理铺平道路。
(全文结束)
