摘要
背景
心房颤动(AF)筛查可能导致早期发现并启动预防措施。目前使用指南年龄阈值≥65岁的AF筛查方法显示效果有限。
目标
在一项心房颤动筛查试验中，我们评估了使用经过验证的临床和基于心电图(ECG)的人工智能(AI)风险模型，对心房颤动风险升高的人群进行筛查的效果是否更大。
方法
VITAL-AF是一项针对在马萨诸塞州总医院附属的16家初级保健机构中接受治疗的≥65岁患者的集群随机试验。被随机分配到筛查组的患者使用单导联心电图进行筛查。在VITAL-AF参与者中，排除已有心房颤动且在入组前3年内至少有一次12导联心电图的患者，我们使用3个在VITAL-AF之外开发的经验证模型来估计心房颤动风险：基因组流行病学中心脏和衰老研究队列-心房颤动(CHARGE-AF)临床评分、仅使用12导联心电图的基于人工智能的模型(ECG-AI)，以及结合ECG-AI和CHARGE-AF的模型(CH-AI)。通过时间依赖的受试者工作特征曲线下面积(AUROC)和平均精度评估2年新发心房颤动的判别能力。心房颤动筛查效果定义为筛查组与对照组在心房颤动风险十分位数上的2年新发心房颤动诊断率(每100人年)的差异。
结果
在30,630名无现患心房颤动的VITAL-AF参与者中，16,937名有试验前心电图和临床数据。每个评分根据AUROC(CHARGE-AF: 0.711 [95% CI: 0.671-0.749]；ECG-AI: 0.784 [95% CI: 0.743-0.819]；CH-AI: 0.788 [95% CI: 0.754-0.824])和平均精度(0.0952 [95% CI: 0.0836-0.112]；0.132 [95% CI: 0.113-0.157]；0.133 [95% CI: 0.117-0.159])区分2年心房颤动风险。在CH-AI的最高十分位数组中观察到心房颤动筛查效果(筛查组心房颤动诊断率10.07/100人年[95% 8.28-11.87]对比对照组7.76[95% 6.30-9.21]，P < 0.05)，对应心房颤动诊断率差异为2.32/100人年(95% CI: 0.01-4.63)，每年需要筛查43人。
结论
使用基于心电图的人工智能和临床因素识别出特别高风险的心房颤动人群，这些人群可能从筛查中受益。研究结果表明，在提高心房颤动筛查效率和减少人群覆盖率之间存在权衡(即，限制筛查范围)。未来研究需要确定基于风险的方法是否最优，或者考虑额外的临床和系统层面的因素(例如，可及性、医疗系统参与度)是否可以进一步优化心房颤动筛查策略。(初级保健诊所中老年患者心房颤动筛查[VITAL-AF]；NCT03515057)
正文片段
研究设计与参与者
VITAL-AF(初级保健诊所中老年患者心房颤动筛查；NCT03515057)试验的设计、实施和主要结果已在先前发表。简而言之，VITAL-AF是一项实用性的集群随机试验，使用嵌入初级保健实践中的手持单导联心电图设备进行心房颤动筛查。16家马萨诸塞州总布里格姆医疗系统诊所(8家社区诊所和8家院内诊所)以1:1的比例随机分配到心房颤动筛查组或常规护理组。
研究样本
在30,630名无现患心房颤动的VITAL-AF研究参与者中，我们排除了447名因缺乏临床数据和13,246名因3年内无可用心电图的患者，最终有16,937名个体纳入主要分析样本(图1)。患者平均年龄为75±7.0岁，57%为女性，83%为白人。心血管共病率相当高(表1)。样本中，7,989名接受了筛查，8,948名接受了常规护理。两组的基线特征相似。
讨论
在VITAL-AF心房颤动筛查试验中，超过16,000名参与者被纳入常规初级保健，我们系统评估了根据使用3个经验证模型估计的心房颤动风险，心房颤动筛查效果的变化：CHARGE-AF临床评分；ECG-AI，一个基于心电图的深度学习模型；以及CH-AI，CHARGE-AF和ECG-AI的组合。我们有两个主要发现。首先，每个心房颤动风险模型都能在初级保健患者的真实世界样本中区分2年心房颤动风险，且存在重要差异。
结论
在VITAL-AF中，这是一项嵌入常规初级保健的离散时间点心房颤动筛查的大型临床试验，基于心电图的人工智能和临床因素能够识别出特别高风险的心房颤动人群，这些人群可能从筛查中受益。总体研究结果表明，在提高心房颤动筛查效率和减少人群覆盖率之间存在多因素权衡(即，限制筛查范围)。未来研究需要确定基于风险的筛查方法是否最优。
【全文结束】
