摘要
背景 人工智能（AI）已成为解读12导联心电图（ECG）的一种有前景的工具，有望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，需要对诊断性能进行定量综合分析。
方法 根据PRISMA-DTA 2018指南进行系统性综述和荟萃分析，并在PROSPERO注册（CRD420251027264）。通过2025年9月，在MEDLINE、Embase和Cochrane Library中进行检索，无语言限制。纳入评估使用12导联ECG进行心律失常检测的AI算法的研究。提取关于敏感性、特异性和曲线下面积（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20项研究，涵盖超过550万份心电图。基于AI的心律失常检测的汇总敏感性、特异性和AUC分别为94.0%（95%置信区间90.8–96.2；异质性I²=96.9%）、98.7%（95%置信区间97.3–99.3；I²=98.3%）和0.982（95%置信区间0.965–0.986）。房颤（AF）检测的敏感性为92.6%（95%置信区间86.4–96）、特异性为99.1%（95%置信区间98.4–99.5）、AUC为0.988。卷积神经网络（CNN）在整体心律失常检测中表现出敏感性97.6%、特异性98.7%和AUC 0.982。仅限于外部验证（6项研究）时，敏感性为96.9%（95%置信区间89.2–99.1）、特异性为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，证据的整体确定性被评为高。
结论 应用于12导联ECG的AI模型在心律失常检测中表现出优异的诊断性能。研究结果支持将其潜在整合到临床工作流程中，特别是在心脏病学专家资源有限的环境中。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。
已知信息
- 人工智能日益被应用于12导联心电图进行心律失常检测，多项研究报告了高诊断准确性。
本研究新增内容
- 本荟萃分析证明了人工智能在12导联心电图心律失常检测中的一致高诊断性能，包括房颤检测和外部验证模型。
- 观察到的显著异质性强调了在广泛临床实施前需要标准化数据集和多中心前瞻性验证。
【全文结束】
