1. 引言
心房颤动（AF）是全球最常见的心律失常之一，与中风、心力衰竭和全因死亡风险增加2至5倍相关。随着人口老龄化，其发病率不断上升，全球估计有超过5000万人受到影响[1]。许多心房颤动发作是无症状或阵发性的，因此机会性或单次心电图（ECG）筛查可能会漏掉大量可能受益于抗凝治疗的患者[2]。传统的扩展心律监测（如24小时Holter或14天贴片），在某些情况下还包括植入式循环记录仪（ILRs），可以检测到额外的亚临床心房颤动，但由于事件发生率低而成本高昂，且治疗亚临床心房颤动的价值仍有争议[3]。已开发的临床评分工具如HATCH和CHARGE-AF，以及后来的C²HEST和台湾AF，用于分层心房颤动发作或进展风险，但其区分能力仍然有限[4,5,6,7,8]。这些临床评分可以指导哪些患者应接受筛查，但无法单独确定谁具有可能在近期表现为心房颤动的高级心房基质。基于心电图的人工智能（AI）分析旨在通过解码窦性心律记录中反映的与心房颤动相关病变和触发因素来填补这一空白。
人工智能革命最近也进入了这一领域，将目标从检测明显的心房颤动转向发现"沉默"的隐匿类型，甚至从数字心电图档案和大规模Holter及贴片存储库中收集的心电图记录来预测其发作。这使AI算法能够直接从原始窦性心律心电图信号或派生参数（如心率变异性[HRV]）中推断心房颤动风险，预测时间范围从几分钟到几年不等，从而指导有针对性的监测[9]。自2021年以来，相关进展特别激增，范围从通用的基于图像的AI-ECG到可预测近期或即将发生心房颤动的单导联贴片家庭解决方案，甚至包括严格测试AI指导的心房颤动风险筛查的实用试验[10]。此时，区分这种预测方法与消费者可穿戴设备在现实世界中的主流部署非常重要。标志性研究，包括Apple Heart Study和Fitbit Heart Study，已确立智能手表和其他设备作为人群层面心房颤动筛查的工具[11,12]。然而，其官方效用目前仅限于检测并发的、明显的心房颤动，通常通过症状发作期间记录的单导联心电图或光体积描记术检测到的心律不规则来实现。相比之下，当前讨论的AI-ECG模型执行一项根本不同的任务：仅从窦性心律期间发现隐藏的心房基质并预测未来或隐匿性心房颤动。因此，虽然可穿戴设备代表了心律失常检测的重大飞跃，但其当前功能使其超出窦性心律心房颤动预测的范畴。
总体而言，所有这些努力都促进了实时监测，并有可能预防疾病突然、无症状发作导致的不良后果，将反应从"被动应对"转变为"主动预防"[13]。此外，基于风险的个体化监测有助于"绘制"心房颤动负担的完整图景，使临床医生能够确定及时干预的潜在益处。本叙述性综述总结了当代AI方法在从窦性心律心电图片段和动态记录中进行短期和长期心房颤动预测方面的应用，尝试展开并解释该领域的发展，提供对先前努力的全面更新，并突出不同时间范围和模态之间的趋同发现，同时概述未来研究的关键差距和优先事项。
2. 文献搜索策略和结果
我们采用结构化搜索方法来识别相关文献并确保可重复性，遵循系统评价和荟萃分析扩展用于范围审查的首选报告项目（PRISMA-ScR）框架（见补充材料）[14]。我们系统地搜索了电子数据库（Medline/OVID、Embase/OVID和Scopus），查找从各来源的创建日期（分别为1946年、1974年和1970年）至2026年4月发表的文章。搜索使用了包括"人工智能"、"深度学习"、"机器学习"、"心房颤动"、"心电图"、"窦性/正常心律"和"预测"等关键词的组合和变体（见补充材料）。我们还通过筛选检索到的文章的参考列表应用了滚雪球法。我们纳入了评估基于窦性心律心电图和动态监测的AI进行心房颤动短期和长期预测或隐匿性检测的同行评审原创研究文章。为保持证据可靠性，我们排除了未经同行评审的预印本和会议摘要。两位作者独立评估了检索到的文章的资格。在出现分歧的情况下，由第三位作者介入，并通过多数投票达成最终决定。从最初获得的459个标题中，最终有32项研究被纳入本综述。
3. 基于窦性心律心电图的AI心房颤动预测
AI驱动的心房颤动预测涵盖一个异质性方法家族，这些方法在模态、确切预测任务和时间范围上有所不同。一些模型分析在窦性心律下获取的标准10秒、12导联心电图，以揭示与现存、隐匿性或长期心房颤动相关的心房基质，本质上估计个体在未来数月到数年内发展心房颤动的基本倾向[9,15,16,17]。其他模型则专注于动态信号，包括Holter和贴片记录或逐搏HRV，以检测同一记录中的隐匿性心房颤动或在从几分钟到几小时的短时间范围内预测发作，从而捕捉电不稳定性动态期和触发易感性[18,19,20,21]。这些模态和范围的差异决定了模型架构、标记策略和潜在临床应用：长期预测涉及基质指导的风险分层和筛查，而短期预测则针对具有及时预警的主动监测（图1）。
3.1. 12导联窦性心律心电图的深度学习
梅奥诊所Attia及其同事的开创性工作表明，使用复杂卷积神经网络架构（CNN）训练的AI模型，基于180,922名患者的649,931份10秒12导联窦性心律心电图，能够识别出先前或近期（心电图前或后31天内）存在心房颤动的个体，单次心电图的受试者工作特征曲线下面积（AUC）为0.87，当聚合每位患者的多个心电图时约为0.90。在内部测试集中，敏感性和特异性均约为79%，当要求多次高风险预测跨越几个心电图时，模型的阳性预测值有所提高[22]。解释这些结果时，区分并发隐匿性心房颤动的检测与纯粹的心房颤动未来发作预测至关重要。例如，尽管该模型取得了显著表现，但阳性真实情况包括在窦性心律心电图前后31天内至少有一次心房颤动记录的个体。这模糊了检测隐匿性心房颤动与纯粹预测它的界限。然而，在实践中，长期AI-ECG模型本质上捕捉的是潜在心房基质和未诊断的阵发性发作的混合体。除非患者从索引窦性心律心电图时间到心房颤动事件期间通过植入式循环记录仪或其他心脏植入电子设备（CIED）接受连续监测，否则无法排除先前无症状阵发性发作的可能性。
随后的分析将相同的AI-ECG心房颤动概率应用于基线时无已知心房颤动的基于人群的社区队列，并显示出与建立良好的CHARGE-AF评分相当的表现。较高的AI-ECG心房颤动概率与长期心房颤动和缺血性中风发病率增加相关[17]，心房颤动的c统计量约为0.69，与最低概率四分位数相比，最高概率四分位数的风险增加了3倍。这些发现支持了网络捕获了一种易感心房颤动的亚临床心房心肌病表型的观点。
Raghunath等人通过训练深度神经网络，基于430,000名无先前心房颤动患者的160万心电图纸迹来预测一年内新发心房颤动，扩展了这一范式[15]。他们的模型在1年心房颤动发作预测中达到了0.85的AUC，并显示出在30年随访中最高与最低风险十分位数之间的风险差异高达7倍。在模拟部署中，针对高风险十分位数的患者进行连续监测，筛查9名患者即可检测到1例新发心房颤动病例，并识别出约62%后来经历心房颤动相关中风的个体。其他团队已经开发并验证了类似的12导联AI-ECG模型。Baek等人报告了一种基于窦性心律心电图训练的深度学习算法，在区分阵发性心房颤动与对照组的测试集上达到了约0.75的AUC[16]，而Brant及其同事进行了一项跨国研究，使用常规临床心电图并证明AI-ECG评分预测新发心房颤动的c统计量在地理上多样的队列中接近0.80，相对于CHARGE-AF具有增量预后价值[23]。
总体而言，这些研究表明，相对较短的静息心电图包含足够的信息来表征显著提高心房颤动风险的潜在心房基质（表1）。与传统风险评分相比，AI-ECG模型无需显式手动输入年龄或合并症即可实现此目标。然而，生物年龄已被证明深深编码在心电图形态中，可能间接代表模型预测的主要驱动因素[24,25]。
3.2. 序列、基于特征和基于图像的AI-ECG
虽然涉及原始心电图波形作为输入的端到端CNN可以提供强大的区分能力，但它们常因有限的可解释性而受到批评。Choi等人通过提取详细的P波、PR、QRS和T波特征；心率变异性指数；以及从序列心电图中进一步的特征，然后使用AI模型基于时间变化预测新发心房颤动来接近心房颤动预测。序列心电图模型始终优于单时间点模型，支持进行性心房重塑在数月到数年内贡献了超出静态心电图形态的信息的概念。此类模型中的特征重要性分析强化了P波特征的重要性，但关键揭示了模型严重依赖患者的年龄进行预测，确认年龄主导了算法加权，可能作为混杂因素发挥作用，并大幅降低其他预测因子的重要性[26]。
基于波形的AI-ECG的一个实际限制是需要数字心电图信号。Zeidaabadi及其同事通过在扫描或PDF心电图上训练基于图像的CNN来预测新发心房颤动，达到了0.72-0.75的c统计量，并证明当将AI图像评分与CHARGE-AF结合时区分能力得到改善[27]。Gadaleta的家庭贴片研究同样使用派生的单导联心电图片段，但表明即使是相对嘈杂的动态信号也能支持强有力的近期预测[18]。
3.3. 外部验证和前瞻性部署
虽然许多研究显示出有希望的内部结果，但很少经过外部验证以确认广泛甚至跨种族的通用性。最近，跨国验证开始出现，表明AI-ECG模型可以在包括韩国、巴西、英国和其他人群在内的多样化队列中保持区分能力，通常提供超过临床评分的增量预后价值[23,28]。在这方面，Christopoulos等人对梅奥AI-ECG心房颤动风险模型进行了基于人群的验证，发现AI-ECG概率预测新发心房颤动的c统计量约为0.69[17]，而Lee等人通过在多族裔CODE 15%队列上测试AI-ECG模型，检验了跨种族通用性，表明区分能力得以保留[29]。然而，在多族裔队列上测试模型仍然是例外而非规则。除了回顾性验证[17,30]外，Noseworthy及其同事的实用试验提供了AI指导心房颤动筛查的第一个真实世界测试[31]。在这项研究中，669,000多名具有常规心电图的患者使用AI-ECG心房颤动风险模型进行了回顾性评分；然后将1003名年龄较大、中风风险升高且无已知心房颤动的成年人纳入去中心化试验，并提供长达30天的连续贴片监测。在AI高风险参与者中检测到7.6%的心房颤动（≥30秒），而在AI低风险参与者中为1.6%，对应的比值比约为5。在约10个月时的心房颤动诊断率，在AI高风险筛查参与者中为10.6%，而在匹配的常规护理对照中为3.6%（p < 0.0001）。这些发现表明，AI-ECG可以有意义地丰富监测人群，揭示迄今为止"隐藏"的心房颤动病例，同时降低扩展监测的成本。然而，这种令人印象深刻的诊断率必须谨慎地放在上下文中。该试验使用了非随机设计，基线人群已经处于中风和心房颤动的高风险。此外，缺乏"硬"临床结局（中风/死亡率）限制了关于实际临床益处的结论，留下了AI指导筛查是否能改善临床结果而非仅仅增加心房颤动检测的问题。因此，目前指南仍将AI视为在心房颤动决策方面有前景但处于研究阶段[32]。
4. 应用于动态Holter和贴片监测的AI
4.1. 24小时Holter记录中的隐匿性心房颤动
最近几项研究集中于AI分析24小时Holter记录，以检测那些分析段落完全处于窦性心律的患者的"隐匿性"心房颤动。Kim及其同事开发了一个处理整个Holter记录的模型，并预测存在阵发性心房颤动，即使输入中排除了心房颤动发作。在1166名个体的队列中，他们的算法达到了约0.85的AUC，在夜间段落中表现略高，这与夜间更稳定的窦性心律和自主神经影响一致[37]。
Chang等人构建了两阶段深度学习架构，使用来自三个Holter导联（模拟V₁、V₅、II）在窦性心律期间的短时傅里叶变换频谱图。一种当代卷积架构（ConvNeXt），旨在模拟Transformer微特征，首先将60秒段落分类为高风险或低风险。第二阶段的长短期记忆（LSTM）聚合十个连续段落（10分钟窗口）以产生患者级预测。段落级性能的特点是高敏感性（0.91）但中等特异性（0.57），而患者级预测达到了0.87的AUC，准确率为0.82，平衡的敏感性和特异性分别约为0.83和0.82，在夜间略高。相比之下，在同一队列中，包括台湾AF、C²HEST和HATCH在内的传统风险评分的AUC在0.72至0.79之间，低于AI模型[50]。
这些Holter研究强调，窦性心律内的微妙、随时间变化的特征，如搏动间变异性、早搏模式和频谱内容，编码了关于基础致心律失常基质的信息，这些信息无法被静态临床评分捕获。它们还说明了聚合跨时间信息以减少噪声和假阳性的重要性。
4.2. 从动态监测进行近期心房颤动预测
超越将记录内"曾经心房颤动"分类，几个团队尝试使用Holter或贴片记录预测无明显心房颤动情况下的近期心房颤动。Singh等人在24小时无心房颤动的动态心电图上训练深度神经网络，以预测15天内心房颤动的发生，使用一个摄入心率趋势、搏动级信息和早搏计数的元模型。在外部验证中，该集成达到了0.76的15天心房颤动预测AUC[19]。Gadaleta等人分析了来自超过450,000份两周记录的家庭单导联胸部贴片数据；他们特意将输入限制在无心房颤动段落（10分钟至24小时），并训练深度学习（DL）和基于特征模型的集成，以预测14天贴片期间的心房颤动。他们的最佳模型在10分钟输入时达到了0.77的AUC，在24小时输入时达到了0.80，校准在年龄和风险分层中足够，而在非常老年、同质化队列中的区分能力略低[18]。Rooney及其同事则特别关注长时心电图中即将发生的心房颤动预测，对24小时记录应用CNN-Transformer架构，预测从7.5至60分钟前的心房颤动发作。他们报告了在7.5分钟提前时间时约0.74的AUC，在心房颤动发作前约15分钟出现预测风险曲线的分歧，表明向不稳定电生理状态的逐渐过渡[20]。这些动态研究共同填补了纯粹基质导向预测（时间范围在数年内）与逐搏、"即将"心律失常检测之间的差距，使新型风险自适应监测策略和众多应用成为可能，包括基于可穿戴设备的、设备上的模型，当短期心房颤动风险激增时触发增强采样或警报（表1）。
5. 基于心率变异性的阵发性心房颤动短时预测
几十年来的心率变异性研究先于现代深度学习，但它仍然相关，特别是在资源受限或边缘设备应用中，全波形DL可能不可行。早期使用PhysioNet心房颤动预测数据库的研究表明，可以通过HRV特征提前几分钟预测阵发性心房颤动。Narin及其同事报告称，发作前2.5-7.5分钟的5分钟HRV段落可以与对照段落区分开来，敏感性为92%，特异性为88%，准确率为90%，使用精心选择的时域和频域特征以及k近邻分类[21]。Mohebbi和Ghassemian对30分钟RR间隔离窗的分析实现了96%的敏感性和93%的特异性，用于预测即将发生的心房颤动发作，尽管是在相对较小且标注良好的数据集上[49]。有趣的是，Grégoire等人的一项比较研究表明，基于5分钟记录手工制作HRV特征的决策树模型可以优于在原始30秒心电图信号上训练的深度学习方法，识别出短期迷走神经活动和心率碎片化作为即将发生心房颤动的最重要预测因子[48]。
类似工作结合了进一步的非线性特征以优化特征子集和分类器操作点。Ebrahimzadeh及其同事将大量HRV描述符与混合专家分类器相结合，报告了心房颤动发作预测的整体准确率为98.2%，再次在相同的PhysioNet队列中[47]。这与Schoels等人和Singh等人的范式一致，他们部署了融合提取的HRV参数、搏动级形态特征和其他表格数据的集成元模型[19,41]。这种方法强调了集成和混合建模策略的更广泛效用。虽然当代深度学习在处理非结构化原始心电图波形方面表现出色，但集成学习通过对多个基础算法的输出达成共识或"陪审团"效应。然而，像bagging或梯度提升这样的经典集成方法在应用于结构化手工制作临床变量时有效，这在当代使用原始信号的深度学习方法中很少见。最后，另一项研究使用现代特征选择算法和机器学习分类器更新了这些方法，证明使用短至五分钟的HRV窗口预测心房颤动事件的准确率为88%[45]。
虽然这些基于HRV的结果令人印象深刻，但必须谨慎解释：评估性能很困难，因为这些研究呈现了如此多样的设计，使它们几乎无法比较。例如，使用广泛过度使用的PhysioNet AF预测数据库的研究报告了90%至98%之间的非凡准确率[21,47,49]。然而，这些数字通常来自高度精选的病例-对照队列，使用非实用的分割。这些人为膨胀的指标无法直接与真实世界阳性预测值大幅降低的人群规模前瞻性队列研究进行比较，因为真实的心房颤动发病率要低得多，自然的类别不平衡极大地降低了真实世界阳性预测值。尽管如此，它们确认了一个重要概念验证，即发作前动力学确实存在，并且即使仅从RR间隔模式中也能检测到，支持隐式整合HRV的深度学习方法的合理性。
6. 传统风险评分与AI模型的比较
在AI模型出现之前，新发心房颤动的风险分层依赖于从流行病学队列中得出的多变量评分。CHARGE-AF模型纳入了以下人口统计学和临床变量：年龄、种族、身高、体重、血压、吸烟、抗高血压治疗、心力衰竭、糖尿病和心肌梗死[8]来预测5年心房颤动风险[51]。值得注意的是，在像CHARGE-AF这样的传统临床评分中将种族作为变量包括在内，与AI模型相比需要额外的细微差别。鉴于围绕种族作为社会而非严格生物建构的持续辩论，其在预测建模中的使用引发了关于算法公平性和可能延续健康差异的一阶关切。这构成了现代AI-ECG模型也必须严格审计跨多样、多族裔队列以确保公平护理交付的挑战。类似地，C²HEST评分（冠状动脉疾病或慢性阻塞性肺病、高血压、老年、收缩性心力衰竭、甲状腺疾病）是在大型中国和韩国队列中开发的简单工具，用于预测新发心房颤动[4]，最近验证了包含更精细年龄分层的改良mC²HEST评分[52]。来自台湾的补充工作使用了超过720万成年人的全国行政数据来推导台湾AF评分[6]，而HATCH评分最初设计用于预测心房颤动进展[7]，也已被验证为预测新发心房颤动的工具[5]。
在短期和长期领域，一个一致的主题是AI基心电图和HRV模型在相同队列中测试时优于临床风险评分。在Chang的Holter研究中，患者级AI模型的AUC≈0.87，而台湾AF、C²HEST、mC²HEST、CHA₂DS₂-VASc和HATCH的AUC为0.72至0.79[50]。在Gadaleta的胸部贴片研究中，AI衍生贴片风险通常超过了基于年龄和性别基线临床模型对近期心房颤动检测的区分能力，特别是在更年轻、更多样化的人群中[18]。同样，Yuan等人的研究表明，CNN预测了窦性心律心电图后31天内心房颤动的存在，AUC值为0.86和0.93，两个队列。DL模型的表现在其种族和人口统计学亚组中保持一致，并优于CHA₂DS₂-VASc评分等传统临床风险因素[43]。在新发心房颤动预测中，Attia、Raghunath和其他人的AI-ECG模型显示c统计量在0.78-0.85范围内，这与CHARGE-AF和C²HEST评分在外部验证中的表现相当。Jabbour将DL-ECG、临床模型和多基因评分整合在一起的研究发现，ECG-AI评分单独表现与或优于CHARGE-AF，而添加临床信息略微改善了风险分层[36]。
虽然AI模型经常报告与临床评分相当的表现，但此类比较有时可能肤浅。方法上公平的比较需要在完全相同的患者队列上直接测试两种模态，具有相同的随访窗口和结果定义[36,40]。不幸的是，文献中并不经常进行这种严格的头对头评估，由于不匹配的随访持续时间和不同的基线确定方法，在回顾性数据集中特别容易受到偏倚的影响。因此，这些风险分层工具目前应被视为互补而非纯粹竞争性的。
值得注意的是，虽然有既定指标用于隐匿性和长期心房颤动风险，但目前没有临床风险评分或其他指标可用于预测即将发生的心房颤动，除了更传统的HRV和最近的DL解决方案。
7. 当前差距、临床效用和未来方向
大多数基于AI的心房颤动模型使用来自孤立卫生系统的回顾性数据或特定心电图供应商开发。即使数据集很大，它们也往往无法反映真实世界人群的真实多样性，导致站点特定的训练约束，模型学会当地机构的人工制品而非普遍生理信号。此外，经常发现显著的偏倚风险，在解释报告的性能指标时必须仔细权衡。例如，几个在高度精选的开放数据集（如PhysioNet AF预测数据库）上训练的模型报告了90%至98%之间的准确率[21,47,49]。然而，这些数字通常存在谱系偏倚和类别不平衡处理不当，并且自然无法直接与真实AF患病率低得多的人群规模前瞻性队列进行比较。此外，使用24小时Holter和贴片监测的模型面临固有的标签泄漏风险，如果窦性心律输入窗口和AF事件之间的确切时间边界没有严格隔离。
系统评估算法公平性也仍然不发达，因为从窦性心律预测隐匿性AF的领域相比明显AF检测仍相对"年轻"。虽然初始的跨种族验证正在出现[29]，但关于模型在不同亚组中表现的系统性讨论仍然缺失。深度学习算法确实具有无意中施加其训练数据中固有偏见的潜力，因此，必须成为标准实践的强制性报告亚组表现和公平性审计，以确保这些模型不会加剧现有的健康差异[53]。开放科学，特别是通过共享数据和模型，是相关关注点和潜在解决方案。透明报告数据集组成、标记程序和预处理对于临床医生评估泛化性和确保公平性至关重要。系统应用既定标准，如TRIPOD+AI和其他标准[53,54]，以及将模型存储到标准化存储库中（如PhysioNet或GitHub），是超越封闭孤岛进入可重复临床实践的必要条件。
此外，对于成功的临床部署，校准（预测和观察风险之间的一致性）和净临床获益可能与区分能力同样重要。遵循TRIPOD+AI指南，区分和校准都应成为标准报告要求[53]。然而，如表1所示，我们的分析显示，少于20%的评估AI-AF研究报告了校准指标（例如，Brier分数、综合校准指数[ICI]或其他校准指数）、净重新分类改善（NRI）或正式的决策曲线分析[18,23,27,30,36,40,43]。由于区分更常被报告，它目前是可用于比较的最有用指标。然而，校准指标的系统省略破坏了实用整合，因为校准不良的模型可能会在特定亚群中严重高估或低估风险，限制其安全转化为共享决策。为了提供关于这些方法论限制的可信度的正式评估，每个包含研究的基于PROBAST+AI的风险偏倚评估在补充材料中提供[55]。
另一个需要解决的问题是深度神经网络的可解释性，因为CNN和Transformers通常是"黑箱"，引发了关于临床信任和接受度的担忧[53]。为解决此问题，最近的研究整合了可解释AI（XAI）技术，如梯度加权类激活映射（Grad-CAM）或其他显著性图。这些视觉工具揭示，新发心房颤动预测模型通常关注P波形态、PR间期或其他微妙特征[27,30]。然而，XAI方法是近似的。评估显示，算法注意力可能会被误导，利用基线噪声或误解特征[56]。因此，虽然XAI提高了透明度，但视觉解释需要严格的临床验证，未来模型可能受益于整合显式心房生物标志物的混合方法。此类模型结合显式特征（如P波指数、超声心动图应变和MRI纤维化）与学习表示，可能有助于弥合机制和预测领域[13,40]。
最后，克服与准确可靠的心房颤动预测相关的障碍提出了一个最终关切：此类结果的临床相关性可能变得如何，以及之后有哪些治疗选择？到目前为止，绝大多数AI-AF研究都将心房颤动检测作为主要终点。然而，亚临床心房颤动和短心房颤动发作与中风的关联程度不一，有时影响不大；≥24小时的SCAF发作风险最高，而较短的发作不太明确可操作，尤其是当它们无症状时。在一般人群中进行亚临床心房颤动的广泛筛查对于抗凝治疗的净临床获益产生了有争议的结果，正如LOOP和STROKESTOP II试验所示[57,58]。这一模糊性被最近关于设备检测亚临床心房颤动的随机试验（如NOAH-AFNET 6和ARTESiA）进一步强化，这些试验表明，抗凝治疗短亚临床心房颤动发作并不会在不增加主要出血的情况下统一降低中风风险[59,60]。如果AI指导策略主要增加非常低负担心房颤动的检测，它们可能会产生很少的净获益，同时使患者暴露于抗凝治疗的出血风险和"心律失常标签"引起的焦虑中，这是一个需要探索的新个体谱系，不一定都是患者[61,62]。因此，AI算法可能仅在应用于具有中风或血流动力学损害固有高风险的亚群时才具有最大的实际价值。这样的亚群可以是具有不明来源栓塞性卒中（ESUS）的患者，其中AI-ECG模型可以识别那些具有高概率携带致心律失常基质的患者，证明将延长连续监测资源分配给捕获可操作心房颤动的合理性，并将患者过渡到口服抗凝治疗[39]。在其他脆弱人群中，特别是心力衰竭患者中，新发心房颤动经常触发血流动力学失代偿，早期节律控制改善了结局，正如EAST-AFNET 4试验所示[63,64]。在这些高风险情况下预测心房颤动发作可以实现主动监测和及时实施早期节律控制策略。因此，AI-ECG的即时临床整合应集中在这些目标人群上，将护理从被动治疗转变为积极、个性化的预防。因此，前瞻性随机试验必须定义包括中风、系统性栓塞、心力衰竭住院、认知下降和生活质量的复合结局，但也要确定可能从该策略中受益的亚群。ASSERT和相关基于设备的研究为负担-风险关系提供了基础，但并未围绕AI指导的预测设计[61,65]。
从更广泛的评估角度看，AI指导窦性心律筛查的健康经济学和成本效益分析目前在文献中基本缺失，因为识别隐匿性心房颤动的临床获益仍在调查中。然而，对于未来临床实施，部署AI基础设施的相关成本以及随后的下游测试应通过可能的中风减少和主动护理带来的节省来抵消[66]。此外，从监管角度看，虽然大多数这些预测模型仍处于研究阶段，但这些工具的治理正在发生变化。最近发布的欧盟AI法案代表了标准制定的范式转变，严格将医疗AI分类为高风险并指导其开发和使用[67]。未来的心房颤动预测AI-ECG方法将需要遵守有关数据隐私、风险管理、人类监督的法规，然后才能转变为常规临床工具。
8. 结论
AI正在改变我们对心房颤动风险的理解，将重点从间歇性出现的心律问题转移到在心房颤动临床显现之前存在的基础电和结构心房表型，该表型可以从不同时间尺度的窦性心律心电图记录中推断出来。跨模态，应用于12导联心电图、心电图像、Holter和贴片数据以及单导联可穿戴设备的深度学习模型通常优于或至少与用于检测隐匿性心房颤动和预测长期新发心房颤动的传统临床风险评分相当，而基于HRV的方法表明，即将发生的心房颤动通常先于自主神经张力和搏动间变性的短期变化。
同时，基于AI的心房颤动预测目前应被视为对指南指导护理的补充而非替代[32]。虽然一些模型确实提供更优越或至少相当的风险分层，但其当前的临床作用是通过识别值得目标监测的高风险个体来增强人类决策，而不是覆盖标准诊断和治疗路径。此外，大多数模型仍然是回顾性的，来自一个或几个中心，外部验证有限且校准可变。只有一项实用试验测试了常规实践中的AI指导筛查，尚未显示中风或死亡率的降低。因此，未来工作应强调具有硬临床终点的多中心随机或实用试验、稳健的外部验证，以及明确解决校准和透明度的共享基准和实施策略。如果这些挑战得到解决，AI启用的心电图和动态监测可以支持从机会性、被动的心房颤动检测向更主动、基质和负担指导的护理转变，有潜力改善中风和其他不良心血管事件的预防。
【全文结束】