（联合第一作者：Arunashis Sau博士1,2，Ewa Sieliwonczyk博士1,3,4）
1 英国伦敦帝国理工学院国家心肺研究所
2 英国伦敦帝国理工学院医疗服务信托心内科
3 英国伦敦帝国理工学院MRC医学科学实验室
4 比利时安特卫普大学及大学医院
5 英国伦敦盖氏和圣托马斯医院心内科
6 美国哈佛医学院贝斯以色列女执事医疗中心史密斯临床研究部
7 美国哈佛医学院贝斯以色列女执事医疗中心电生理研究所
8 英国伦敦切尔西和威斯敏斯特医院心内科
研究历史
接收日期：2025年3月10日；修订日期：2025年8月12日；接受日期：2025年8月16日；在线发表日期：2025年8月21日
摘要
背景
多项风险评分和生物标志物已被用于房颤预测，但其相互比较和组合效能尚不明确。
方法
开发了人工智能增强心电图（AI-ECG）风险评估模型AIRE-AF，该模型采用离散时间生存损失函数的卷积神经网络，基于贝斯以色列女执事医疗中心189,539例患者116万份心电图训练，并在英国生物样本库38,892例人群中验证。与CHARGE-AF临床风险评分等方法进行对比。
结果
在BIDMC队列中，AIRE-AF模型预测房颤的C指数达0.750（95%CI 0.743-0.758）。相较CHARGE-AF评分、左房大小（LA size）和NTproBNP检测，AIRE-AF表现更优。联合CHARGE-AF和LA大小可使C指数提升0.017，但NTproBNP未带来额外价值。
在志愿者群体（UKB）中，CHARGE-AF为最佳单一预测因子（C指数0.750），AIRE-AF与CHARGE-AF联用可提升至0.768。进一步结合多基因风险评分（PRS）使C指数达0.791（95%CI 0.766-0.816）。
关键词
- 房颤
- 风险预测
- 人工智能
- 多基因风险评分
- 心电图
引言
房颤终身风险高达1/3，与卒中、心衰和死亡风险增加密切相关。早期干预（如抗凝和节律控制）可降低不良结局风险。
传统风险预测（如CHARGE-AF评分）依赖临床因素，但缺乏个体化生物标志物。近期多基因风险评分（PRS）结合CHARGE-AF和NTproBNP可改善判别效能。左房大小在院内队列中应用广泛，但各种预测方法的比较研究尚属空白。
方法
研究设计
使用贝斯以色列女执事医疗中心（美国波士顿）和英国生物样本库（UKB）数据，采用50/10/40比例划分训练集、调优集和测试集。ECG预处理包括0.5-100Hz带通滤波、60Hz陷波滤波和400Hz重采样。
模型开发
扩展AIRE平台开发AIRE-AF模型，采用残差块卷积神经网络架构，最终层整合离散时间生存分析方法。使用NVIDIA RTX 6000在帝国理工学院高性能计算集群上训练，通过Keras框架进行网络训练。
结果
预测效能
在BIDMC测试集（55,619例无房颤基线患者）中，AIRE-AF预测效能达C指数0.750。在正常心电图亚组（5,953例）中，C指数仍达0.696。外部验证显示UKB队列C指数0.716。
联合模型显示：BIDMC队列中AIRE-AF+CHARGE-AF+LA大小NRI达0.183；UKB队列中AIRE-AF+CHARGE-AF+PRS使C指数提升至0.791。
讨论
临床意义
本研究首次全面评估房颤预测方法，发现：
- 医院队列中AI-ECG为最佳单一预测因子
- 联合临床评分（CHARGE-AF）和影像（LA大小）可提升效能
- 志愿者队列中多基因风险评分显著改善预测性能
- 正常心电图亚组中模型仍具临床价值
限制
需注意以下局限：
- 模型在不同人群的泛化能力有待验证
- BIDMC队列NTproBNP数据非随机抽样
- UKB队列缺乏同步NTproBNP数据
结论
本研究展示了结合人工智能和传统临床指标的创新房颤预测模型，为心血管疾病风险分层提供了新工具。在医院和社区场景中，整合AI-ECG、临床评分和基因信息可优化房颤筛查策略。
【全文结束】
