人工智能增强型心电图作为心血管医学中的数字生物标志物平台：临床应用、验证差距与未来实施路径 - AI与医疗健康

摘要

将人工智能应用于心电图正在拓展这一广泛可用的诊断工具的临床作用，使其超越传统波形解释，能够识别与心血管结构、功能和风险相关的电生理模式。在此不断发展的框架下，人工智能增强型心电图正逐渐成为一个可扩展的数字生物标志物平台，支持在整个心血管疾病连续体中进行筛查、诊断和预后分层。

本叙述性综述综合了关于人工智能增强型心电图临床应用的当前证据，包括心脏心律失常的检测、结构性心脏病的早期识别、急性冠脉综合征中的决策支持、临床结果预测以及使用可穿戴技术进行人群水平的心血管筛查。应用于标准和简化心电图记录的深度学习模型在识别心房颤动、左心室功能障碍、肥厚型心肌病、心脏淀粉样变性和射血分数保留型心力衰竭方面表现出强大的诊断性能。这些方法还能够从看似正常的记录中估计长期心血管风险，并支持识别超出明显心脏疾病的疾病模式。

尽管取得了这些进展，但由于需要前瞻性多中心验证、改进模型可解释性、标准化评估策略以及整合到常规临床工作流程中，临床实施仍然受到限制。本综述强调了当前的验证差距，并概述了将人工智能增强型心电图转化为数字心脏病学实践的关键机会。

已知的相关话题

人工智能增强型心电图可以识别广泛的心血管疾病，包括心房颤动、心室功能障碍和心肌病，通常具有较高的诊断准确性。越来越多的证据表明，人工智能可以从心电图信号中提取超出传统波形解释的临床相关信息。

本研究的贡献

本综述提出了一个统一的解释，将人工智能增强型心电图视为一个跨越心血管疾病连续体的筛查、诊断和预后评估的数字生物标志物平台。它还强调了在广泛临床实施之前必须解决的关键证据差距，包括前瞻性验证、通用性、可解释性和临床效用的证明。

本研究可能对研究、实践或政策的影响

研究结果支持将人工智能增强型心电图整合到心血管筛查和临床决策支持路径中的潜力，同时强调了对前瞻性多中心验证研究、标准化评估框架和监管监督的需求。未来的实施策略应侧重于证明临床效用、成本效益以及对患者结果的影响。

引言

近年来，人工智能（AI）在心血管医学中扮演着越来越重要的角色，这归功于其分析大量临床数据和生物信号的能力，以及识别传统解释方法无法识别的复杂模式的能力。在心脏病学中，诊断测试的逐步数字化以及可用于开发诊断和心血管风险分层预测模型的大型数据集的可用性促进了这一发展。

在各种心血管数据源中，心电图代表了机器学习算法应用的最合适工具之一，因为它无创、低成本且普遍可用。传统上通过视觉评估间隔、振幅和ST段偏移等形态特征来解释的心电图，现在可以使用深度学习模型直接在信号级别进行分析，从而能够识别通过常规解释无法获得的临床相关信息。卷积神经网络（CNN）在心电图分析中表现出高性能，支持自动心律失常分类和亚临床结构性心脏疾病的检测，包括左心室功能障碍、肥厚型心肌病（HCM）和心脏淀粉样变性。

除了诊断应用外，应用于心电图的人工智能在预后分层方面也显示出越来越大的潜力，能够识别心房颤动（AF）、心力衰竭（HF）和心血管死亡风险增加的个体，即使在看似正常的记录中也是如此。这些发现支持将心电图解释为心血管健康状况的数字生物标志物，而不仅仅是检测明显电异常的工具。

人工智能心电图作为数字生物标志物平台的概念超出了传统的诊断分类任务。与主要关注心律失常或明显电异常识别的传统心电图解释不同，基于人工智能的分析似乎能够提取与心脏结构、心肌功能、生物衰老和未来心血管风险相关的潜在信号表示。在此框架下，心电图不仅作为诊断记录，而且作为反映心血管健康的多个维度的可扩展生理信息源发挥作用。将人工智能心电图确立为真正的生物标志物平台需要证明这些算法导出的签名提供超出常规心电图解释的临床有意义的信息，在不同人群和采集环境中保持可重复性，并在纳入临床决策时改善以患者为中心的结果。

最近，将心电图信号与心血管成像、循环生物标志物、可穿戴设备记录和纵向电子健康记录数据集成的多模态人工智能模型，为预测性和个性化心血管医学开辟了新的前景。

因此，本综述旨在综合关于人工智能增强型心电图临床应用的当前证据，并确定目前限制其在主要心血管护理路径中转化为常规临床实践的主要验证差距。

材料与方法

这项结构化叙述性综述旨在提供关于人工智能增强型心电图临床应用的当前证据以及影响其转化为常规心血管实践的主要挑战的主题概述。

使用PubMed/MEDLINE、Scopus和Web of Science进行了有针对性的文献搜索。搜索词包括"人工智能"、"机器学习"、"深度学习"、"心电图"、"心律失常"、"心力衰竭"、"心肌病"、"急性冠脉综合征"、"筛查"和"风险预测"的组合。

考虑了2017年至2026年发表的出版物。通过手动审查关键文章和最近综述论文的参考文献列表确定了额外的相关研究。

研究选择基于其与人工智能心电图主要临床应用的相关性，包括心律失常检测、结构性心脏病识别、急性冠脉综合征评估、预后分层、可穿戴设备应用和多模态心血管整合。优先考虑标志性研究、大型验证队列、实施研究、可用的随机试验和有影响力的当代综述。

使用专注于临床适用性、验证挑战和未来实施路径的主题叙述方法综合了选定的文献。

应用于心电图的人工智能基础

应用于心电图的人工智能主要基于机器学习技术，这些技术能够使用与临床结果相关的大量注释心电图记录库来识别数字信号模式与临床状况之间的关系。

在可用的方法学方法中，深度学习目前代表了人工智能心电图分析最广泛使用的框架，因为它能够在不需要手动特征选择的情况下直接处理原始心电信号，从而允许提取超出传统基于间隔和形态解释的复杂表示。

卷积神经网络（CNN）是自动心电图分析中最常用的架构之一，通过分层识别分布在记录中的信号模式来支持诊断分类和风险预测。最近，自监督学习方法在大型未标记心电图数据集上训练，使得能够开发可适应多种下游诊断任务的通用信号表示，从而提高在异质临床环境中的可扩展性。

在多种临床场景中，基于深度学习的心电图模型已经表现出与常规解释策略相当或超过常规解释策略的诊断性能，支持其作为心血管医学中可扩展决策支持工具的新兴角色。同时，将心电图数据与其他临床信息整合的多模态方法也在研究中，以改善心血管风险评估。

人工智能心电图在心律失常诊断中的应用

心律失常的自动识别代表了人工智能应用于心电图的最早和最成熟的临床应用之一，也是深度学习算法首次展示临床相关诊断性能的领域。通过实现对整个记录中复杂形态和时间信号变化的识别，人工智能心电图改善了诊断标准化，并减少了对纯视觉解释的依赖，特别是在高容量环境或专家解释有限的情况下。

在心律失常中，心房颤动（AF）代表了人工智能心电图的主要应用领域。应用于窦性心律心电图的深度学习算法可以识别与心房重构相关的电生理特征，并检测出在记录时没有明显心律失常发现的情况下，发生心房颤动风险增加的个体。Attia等人进行的一项回顾性研究涉及180,922名患者和649,931份窦性心律心电图，基于卷积神经网络的算法使用单个标准10秒12导联心电图识别心房颤动的曲线下面积（AUC）为0.87，敏感性为79.0%，特异性为79.5%，总体准确性为79.4%。使用从同一患者记录的多个心电图进一步提高了诊断性能，将AUC提高到0.90，敏感性为82.3%，特异性为83.4%，总体准确性为83.3%，这表明心电信号的纵向分析可能会增强人工智能心电图的预测能力。纵向建模研究进一步证明，在临床诊断前几年，算法估计的风险逐渐增加，并确定了在事件发生前长达3年有心房颤动相关中风风险增加的个体。这些发现支持人工智能心电图作为在有血栓栓塞并发症风险的人群中进行机会性筛查和有针对性的心律监测的可扩展工具。

使用人工智能心电图识别结构性心脏病

最近的研究表明，应用于心电图的人工智能能够识别不仅与心脏电活动相关，还与使用常规解释无法检测到的结构和功能性心肌异常相关的电生理特征。这些发现支持人工智能心电图作为早期识别亚临床结构性心脏病的可扩展工具的角色。

左心室功能障碍

左心室收缩功能障碍的识别代表了人工智能心电图最广泛验证的临床应用之一。应用于标准12导联心电图的深度学习模型可以识别降低的左心室射血分数（LVEF），即使在没有常规心电图异常的情况下，这支持在门诊和初级保健环境中进行机会性筛查的作用。

肥厚型心肌病

肥厚型心肌病（HCM）代表了人工智能心电图为基础的筛查策略的另一个主要目标疾病。深度学习算法可以识别肥厚型心肌病的电生理特征，即使根据常规标准认为记录是非诊断性的，这也支持早期疾病检测和对高风险亲属的级联筛查。

心脏淀粉样变性

人工智能增强型心电图在心脏淀粉样变性（一种早期经常被误诊的浸润性心肌病）的识别中也显示出良好的性能。人工智能心电图模型可以检测心肌浸润的电生理特征，早在临床诊断前几个月，并且即使在患者心电图看似正常或使用简化导联配置时，也能保持诊断性能。

一个在2541名心脏淀粉样变性患者和2454名匹配对照的12导联心电图上训练的人工智能心电图算法，在检测AL和ATTR心脏淀粉样变性方面表现出高诊断性能，在保留队列中达到AUC为0.91（95% CI 0.90至0.93），敏感性为0.84，特异性为0.85，阳性预测值为0.86；值得注意的是，该模型在59%的有可用诊断前心电图的患者中，在临床诊断前6个多月识别出心脏淀粉样变性，包括46%的AL和70%的ATTRwt病例，支持其在早期疾病识别中的作用。该算法在年龄、性别和淀粉样亚型方面保持了一致的性能，并且即使在常规标准解释为正常的心电图患者中也仍然有效，表明深度学习模型能够检测标准解释无法察觉的亚临床电生理特征。单导联和六导联配置也显示出良好的诊断准确性，最佳单导联模型（V5）达到AUC为0.86，最佳六导联配置达到AUC为0.90，表明适用于床旁和可穿戴筛查应用的可行性。将心电图预选与确认性成像相结合的顺序多模态策略进一步提高了诊断率，并有助于区分表型重叠的疾病，如肥厚型心肌病和高血压性肥厚。

射血分数保留型心力衰竭

最近，人工智能心电图模型已经证明能够支持识别射血分数保留型心力衰竭（HFpEF），这是一种以诊断复杂性和早期经常被忽视为特征的疾病。应用于标准和简化导联心电图记录的算法在检测舒张功能障碍方面显示出良好的诊断准确性，并能够识别在随访期间随后发展疾病的高风险个体，支持有针对性地转诊进行确认性影像学评估。

总体而言，这些发现表明人工智能心电图能够检测与多种心肌病的心肌结构重塑相关的电生理特征，并支持其作为早期识别亚临床结构性心脏病和优先考虑进行高级诊断检查的患者的可扩展工具的角色。

人工智能心电图在急性冠脉综合征中的应用

心电图是疑似急性冠脉综合征患者初始评估的基本工具，能够快速识别需要紧急再灌注治疗的时依赖性状况，如ST段抬高型心肌梗死。然而，在不太典型的临床表现中，特别是在非ST段抬高型心肌梗死中，常规心电图解释可能敏感性有限。在这种情况下，应用于心电图的人工智能在评估急性胸痛患者时显示出越来越大的早期风险分层和决策支持潜力。

使用人工智能心电图进行预后分层和心血管结果预测

除了诊断应用外，应用于心电图的人工智能在异质性心血管人群中展示了越来越大的预后分层潜力。心电信号的算法分析使得能够提取与未来临床事件相关的表示，支持心电图作为中长期随访中疾病轨迹的预测因子。

最广泛研究的应用之一是预测新发心力衰竭。最初开发用于识别左心室功能障碍的深度学习模型可以识别出在心电图获取时没有临床明显异常的情况下，发展心力衰竭风险增加的个体，支持早期风险分层和有针对性地转诊进行确认性影像学评估。

人工智能增强型心电图在已确立的急性心力衰竭患者中也显示出预后价值。将心电图、临床、实验室和超声心动图数据整合的多模态模型在医院内和长期死亡率方面显示出良好的预测性能，支持在复杂临床环境中识别高风险表型。

另一个重要应用涉及预测选定的心血管队列和一般人群中的全因死亡率。应用于标准心电图的深度学习模型可以独立于传统临床变量估计长期死亡风险，表明心电信号包含反映整体心血管健康状况的综合预后信息。

特别地，实际年龄与算法导出的心电图年龄之间的差异已作为心血管生物年龄的标志物出现。在超过150万个体的大型队列中，心电图年龄超过实际年龄超过8年与增加的死亡风险相关，在独立验证数据集中结果一致。

尽管人工智能增强型心电图一致地识别与不良心血管结果相关的特征，但这些信号是反映因果疾病机制还是系统风险的替代相关物仍不确定，需要前瞻性验证。

人群筛查、可穿戴设备和数字生物标志物

人工智能与心电图分析的整合已经将心电图的作用从在选定临床环境中进行的诊断测试扩展为人群水平心血管表型分析的可扩展平台。人工智能增强型心电图分析能够识别与心律失常风险、结构性心脏病和系统性心血管脆弱性相关的电生理特征，支持从间歇性测试向基于社区人群的纵向心血管监测的转变。

应用于使用智能手表、心电图贴片和基于光电容积描记法的传感器获得的单导联心电图记录的算法，在心房颤动检测方面表现出高诊断准确性，并能够识别常规短时间记录经常错过的间歇性心律失常事件。这些方法支持大规模远程心律监测策略的可行性，旨在通过机会性检测先前未被识别的心律失常来预防早期中风。

除了心律失常检测外，人工智能增强型心电图可以识别与常规心电图异常不直接相关的生理改变。应用于心电信号的深度学习模型已经证明能够估计心血管生物年龄并检测高钾血症等代谢和电解质紊乱，这表明心电图分析捕捉到超越心脏电生理学的机体水平生理信息。

人工智能心电图的多模态整合和未来展望

应用于心电图的人工智能的最新发展正在从孤立的信号分析转向将电生理信息与心血管成像、循环生物标志物和纵向电子健康记录数据整合的多模态框架。这些方法使得能够创建更好地反映真实世界临床决策的预测模型，并支持从单一测试解释向集成数字心血管表型分析平台的转变。

将心电图信号与结构和功能成像数据整合代表了一种特别有前景的策略，用于改善心肌病和心律失常综合征患者的风险分层。将心电图特征与成像生物标志物相结合的多模态模型已经证明在有资格进行植入式心律转复除颤器植入的患者中改善了心律失常风险的分类，并可能支持更精确地识别出有最高心源性猝死风险的个体。

另一个重要发展涉及用于心电图解释的基础模型的出现，这些模型在大型异质数据集上训练，以生成可在多个诊断任务中重用的通用信号表示。多中心验证研究表明，在心电图诊断分类和预测数字生物标志物（如降低的LVEF、心房颤动风险和基因型相关的长QT综合征）方面表现出强大的性能，特别是在具有有限标注训练数据的环境中。

生成式人工智能和大型语言模型的进展可能进一步支持多模态诊断数据的结构化解释以及将决策支持输出整合到电子健康记录基础设施中，提高工作流程效率和临床可用性。然而，它们的实施仍然需要前瞻性验证和适当的监管监督，以确保可靠性和患者安全。

人工智能心电图临床转化的障碍

尽管有越来越多的证据支持人工智能增强型心电图的诊断和预后性能，但几个方法学、技术和监管障碍继续限制其在常规临床实践中的大规模实施。

主要挑战之一是评估将人工智能心电图模型整合到常规临床实践中的前瞻性多中心验证研究的可用性有限。目前大多数可用模型都是使用回顾性数据集开发的，只有少数实施试验评估了它们对现实世界护理路径和治疗决策的影响。

诊断准确性之外的临床效用

尽管人工智能心电图模型在广泛的心血管应用中始终表现出高诊断性能，但改进的检测并不一定转化为改进的患者结果。这种区别在筛查环境中尤其相关，在这种环境中，识别风险增加的个体可能会增加诊断测试和医疗保健使用，而不会相应减少主要心血管事件。

围绕心房颤动筛查的争论说明了这一挑战。人工智能心电图算法可以从窦性心律记录中识别出心房颤动风险增加的个体，并可能促进有针对性的心律监测。然而，关于早期识别亚临床或低负担心房颤动是否始终转化为中风、心力衰竭或死亡率的降低，仍然存在不确定性。包括SCREEN-AF在内的近期筛查研究强调，增加先前未被识别的心房颤动的检测并不一定转化为患者中心结果的明确改善，这突显了将增强的检测策略与有意义的临床效益联系起来的复杂性。

此外，广泛实施人工智能指导的筛查策略可能会引入潜在的意外后果，包括过度诊断、增加后续检测、额外的专家转诊和更高的医疗保健成本。因此，人工智能心电图的评估应超越传统的诊断准确性测量，包括对临床效用、成本效益、对医疗资源利用的影响和患者中心结果的评估。因此，大型实用实施试验对于确定人工智能指导的筛查策略最终是否改善真实人群中的心血管结果以及建立人工智能心电图衍生的数字生物标志物的临床价值（超越预测性能本身）至关重要。

通用性和数据集转移

数据集转移和在异质临床环境中通用性有限代表了额外的重要障碍。在单中心数据集或选定人群上训练的算法在应用于不同的人口统计组、采集系统或疾病流行率时可能表现出降低的性能，这突显了在地理上不同的队列中进行稳健的外部验证的需要。性能下降可能在模型开发过程中代表性不足的人口统计亚组中特别相关。性别、种族和民族、体重指数、合并症负担和基线疾病流行率的差异可能影响算法校准和诊断准确性。因此，在开发队列中表现出优异性能的模型在部署到更多样化的现实世界人群时可能表现出降低的通用性。

技术因素可能进一步导致模型性能的变异性。心电图采集硬件、信号预处理方法、采样频率和导联放置的差异可能会改变心电图形态并影响算法输出。即使是电极定位的微小偏差也可能引入信号变化，挑战在高度标准化数据集上训练的模型。

进一步的方法学限制包括与不完美的诊断参考标准相关的标签噪声、训练和验证数据集之间的时间泄漏以及在新临床环境中部署后的性能漂移，所有这些都可能降低现实世界的稳健性并需要持续的生命周期监测。