利用深度学习从社区心电图预测心房颤动：一项多国研究 - AI与医疗健康

利用深度学习从社区心电图预测心房颤动：一项多国研究Prediction of Atrial Fibrillation From the ECG in the Community Using Deep Learning: A Multinational Study | Circulation: Arrhythmia and Electrophysiology

环球医讯 / AI与医疗健康来源：www.ahajournals.org美国 - 英语2025-10-01 21:35:36 - 阅读时长2分钟 - 772字

本研究整合了弗雷明汉心脏研究、英国生物银行和巴西成人健康纵向研究的多国数据，开发并验证了一种仅需单一心电图输入的深度学习模型（ECG-AF）来预测心房颤动风险。该模型在预测心房颤动方面的表现与传统的CHARGE-AF临床风险评分相当，且两者结合时预测准确性显著提升。研究还发现ECG-AF评分与心力衰竭、心肌梗死、中风和全因死亡风险呈正相关，表明该模型不仅可用于心房颤动风险评估，还可作为预测多种心血管不良结局的有效工具，为社区常规心电图筛查提供新方法，有望在早期识别高风险人群并进行及时干预，具有重要的临床应用价值。

摘要

背景：

本研究旨在通过来自不同背景的样本——弗雷明汉心脏研究（FHS）、英国生物银行（UK Biobank）和巴西成人健康纵向研究（ELSA-Brasil）——优化并验证一种从心电图预测心房颤动（AF）风险的深度神经网络模型。我们将该模型的性能与临床基因组流行病学心脏病与衰老研究联盟（CHARGE-AF）风险评分进行比较，并评估其与其他心血管结局的关联。

方法：

使用60%无心房颤动的FHS样本来优化基于心电图的深度学习心房颤动预测（ECG-AF）模型。然后在剩余的FHS样本、英国生物银行和ELSA-Brasil中测试其性能，通过受试者工作特征曲线下面积评估区分能力。使用Cox比例风险模型评估ECG-AF与心血管结局的关联。

结果：

研究样本包括10097名FHS参与者（平均年龄53±12岁；54.9%为女性）、49280名英国生物银行参与者（平均年龄64±8岁，47.9%为女性）和12284名ELSA-Brasil参与者（平均年龄53±8岁，54.7%为女性）。ECG-AF模型在FHS中对新发心房颤动显示出中等区分能力（曲线下面积，0.82 [95% CI，0.80-0.84]），与CHARGE-AF评分相当（曲线下面积，0.83 [95% CI，0.81-0.85]），两者结合时区分能力进一步提高（曲线下面积，0.85 [95% CI，0.83-0.87]）。在英国生物银行和ELSA-Brasil中，ECG-AF与CHARGE结合也改善了预测效果。较高的ECG-AF评分与所有3个队列中心力衰竭、心肌梗死、中风和全因死亡风险增加相关。