研究背景
冠状动脉疾病（CAD）仍是全球致死致残的主要原因。尽管传统风险评估已取得进展，但约11.6%急性冠脉综合征患者无传统可调节风险因素。12导联心电图（ECG）是广泛应用的无创检查工具，其经典特征（如Q波、R波振幅降低）常用于CAD诊断，但可能存在人工难以识别的细微特征。
研究方法
模型开发
ECG2CAD基于麻省总医院（MGH）的764,670份ECG数据（覆盖137,199人）训练而成，使用卷积神经网络对ECG进行二分类（CAD与否）。模型通过受试者工作特征曲线下面积（AUROC）和精确召回曲线面积（AUPRC）评估区分能力，并与年龄性别模型、汇集队列方程（PCE）比较。
验证集
- MGH测试集：18,706人（6,051例CAD），年龄57±16岁
- BWH测试集：88,270人（27,898例CAD），年龄57±16岁
- 英国生物样本库：42,147人（1,509例CAD），年龄65±8岁
研究结果
模型性能
| 验证集 | AUROC | AUPRC |
|---|---|---|
| MGH | 0.782 | 0.639 |
| BWH | 0.747 | 0.588 |
| 英国生物库 | 0.760 | 0.155 |
ECG2CAD在各测试集中均显著优于年龄性别模型（p<0.01），与PCE联合使用时性能进一步提升（如BWH测试集AUROC从0.703提升至0.715）。
特殊场景验证
- 正常ECG识别：在临床判定正常的19,615份ECG中，ECG2CAD仍能区分CAD（AUROC 0.679 vs 0.667）
- 风险分层：在BWH初级保健队列中，ECG2CAD最高风险组较低风险组：
- 心肌梗死风险比（HR）5.59（95%CI 4.76-6.56）
- 心力衰竭HR 10.49（7.96-13.84）
- 全因死亡率HR 2.68（2.32-3.10）
核心结论
人工智能辅助的心电图分析可识别潜在CAD患者，尤其适用于无典型风险因素人群。模型在正常心电图中仍能捕捉细微特征，且与未来心血管事件显著相关。但需前瞻性研究验证其在初级保健中的应用价值及成本效益。
【全文结束】
