背景：人工智能（AI）已成为解释12导联心电图（ECG）的一种有前景的工具，有潜力提高心律失常检测的诊断准确性。然而，已发表的研究在方法和验证策略上差异很大，有必要对其诊断性能进行定量综合。
方法：根据PRISMA-DTA 2018指南进行了一项系统评价和荟萃分析，并在PROSPERO（CRD420251027264）注册。在MEDLINE、Embase和Cochrane Library中检索了截至2025年9月的研究，无语言限制。纳入了评估使用12导联ECG检测心律失常的AI算法的研究。提取了灵敏度、特异度和曲线下面积（AUC）的数据。使用双变量随机效应模型生成汇总估计值。使用QUADAS-2评估偏倚风险，并使用GRADE量化证据的确定性。
结果：荟萃分析纳入了20项研究，涵盖了超过550万份心电图。基于AI的心律失常检测的综合灵敏度为94.0%（95%置信区间 90.8-96.2；I² = 96.9%），特异度为98.7%（95%置信区间 97.3-99.3；I² = 98.3%），AUC为0.982（95%置信区间 0.965-0.986）。房颤检测的灵敏度为92.6%（95%置信区间 86.4-96），特异度为99.1%（95%置信区间 98.4-99.5），AUC为0.988。卷积神经网络（CNN）在总体心律失常检测中显示出97.6%的灵敏度、98.7%的特异度和0.982的AUC。当仅限于外部队列验证时（n=6），灵敏度为96.9%（95%置信区间 89.2-99.1），特异度为95.6%（95%置信区间 77.6-99.3），AUC为0.983。未检测到显著的发表偏倚，总体证据确定性被评为高。
结论：应用于12导联ECG的AI模型在心律失常检测方面表现出卓越的诊断性能。研究结果支持其潜在整合到临床工作流程中，特别是在心脏病学专业知识有限的地区。鉴于存在显著的异质性，标准化数据集和多中心前瞻性验证对于确保有效和公平的实施至关重要。
【全文结束】