整合临床、遗传和人工智能（AI）衍生的风险信号，可能提高5年房颤（AF）风险预测的区分能力——这一结论来自2026年3月28日至30日在美国路易斯安那州新奥尔良举行的美国心脏病学会（ACC）科学会议上公布的研究结果。
研究人员利用医院层面的马萨诸塞州总医院布莱根生物库（MGBB）和人群层面的英国生物银行（UK Biobank）数据库，采用CHARGE-AF临床评分、AF多基因风险评分（PRS）以及基于心电图的人工智能模型（ECG-AI）来评估AF风险。通过时间依赖性受试者工作特征曲线下面积（AUROC）和平均精确率（AP）来评估5年新发AF的区分能力。
在UK Biobank的49293名参与者（平均年龄65岁，52%为女性）中，有825人（2.4%）在5年内发生AF；在MGBB的12812名参与者（平均年龄53岁，53%为女性）中，有1034人（8.1%）发生AF。AF PRS（UK Biobank AUROC为0.618，AP为0.038；MGBB AUROC为0.550，AP为0.098）、ECG-AI（UK Biobank AUROC为0.705，AP为0.085；MGBB AUROC为0.740，AP为0.23）以及CHARGE-AF（UK Biobank AUROC为0.785，AP为0.053；MGBB AUROC为0.710，AP为0.19）均能在两个数据集中区分新发AF。
整合临床、遗传和AI衍生的风险信号，可提高5年AF风险的区分能力，并有望改善AF筛查和预防干预的个体优先级排序。
联合评分显示出最佳的区分能力（UK Biobank AUROC为0.817，AP为0.11；MGBB AUROC为0.750，AP为0.23）。在UK Biobank中，高风险人群（5年预测AF风险>2.5%）的5年累积AF发病率为5.8%；在MGBB中，高风险人群（>10%）的发病率为17.1%。在相同阈值下，当三种模型均预测高风险时，5年AF发病率最高（UK Biobank为11.1%，MGBB为27.5%）。
研究人员总结道：“整合临床、遗传和AI衍生的风险信号，可提高5年AF风险的区分能力，并有望改善AF筛查和预防干预的个体优先级排序。”
参考文献：
Kany S, Rämö J, Friedman S, et al. Integrating clinical, genetic, and electrocardiogram-based artificial intelligence to predict risk of future atrial fibrillation. Abstract presented at: The ACC Scientific Sessions; March 28-30, 2026; New Orleans, LA. Abstract #1056-05.
【全文结束】