基于图像的人工智能增强心电图预测新发心房颤动 - AI与医疗健康

基于图像的人工智能增强心电图预测新发心房颤动Image based artificial intelligence-enhanced ECG prediction of incident atrial fibrillation - Heart Rhythm

环球医讯 / AI与医疗健康来源：www.heartrhythmjournal.com英国 - 英语2025-10-16 12:34:55 - 阅读时长2分钟 - 732字

这项研究开发并验证了一种基于图像的人工智能增强心电图方法，用于预测新发心房颤动。研究团队使用了来自贝斯以色列女执事医疗中心的189,539名患者的1,163,401份心电图和英国生物银行的65,610名参与者的70,655份心电图进行模型训练与验证。该图像AI-ECG模型在预测心房颤动方面表现出色，C统计量在主要数据集中达到0.754，在英国生物银行数据集中达到0.723，且在门诊患者、女性和非白种人等关键亚组中保持稳定性能。与传统CHARGE-AF风险评分相比，该模型不仅表现更优，还能提供显著的附加预测价值，特别是在没有数字化心电图基础设施的环境中展现出实用价值，为心房颤动的早期检测和预防提供了新途径。

摘要

背景

早期预测心房颤动(AF)对于减少不良健康后果至关重要。虽然人工智能增强心电图(AI-ECG)分析在预测心房颤动方面显示出潜力，但大多数现有方法需要数字心电图信号，这限制了其在心电图以图像形式存储的医疗环境中的应用。

目的

本研究旨在开发并验证一种基于图像的AI-ECG方法，用于跨多个数据集预测新发心房颤动。

方法

研究使用了来自贝斯以色列女执事医疗中心(BIDMC)数据库的189,539名患者的1,163,401份心电图，以及来自英国生物银行(UK Biobank)的65,610名参与者的70,655份心电图。AI-ECG模型在处理为310x868像素的心电图图像上进行训练。

结果

该模型在BIDMC数据集中预测新发心房颤动的C统计量达到0.754（95%置信区间：0.747-0.761），在英国生物银行数据集中达到0.723（95%置信区间：0.704-0.741）。在关键亚组中，包括门诊患者、女性和非白种人个体，模型表现保持稳定。与CHARGE-AF风险评分相比，AI-ECG模型表现更优（C统计量0.696比0.667，p<0.05），并且在结合使用时提供了显著的附加价值（C统计量0.711，p<0.0001）。该模型在智能手机拍摄的心电图上也表现良好（C统计量0.736）。显著性映射显示，该模型主要关注P波形态和PR间期区域。