预测心房颤动的新方法：传统方法与人工智能增强方法的综合评估Prediction of incident atrial fibrillation: a comprehensive evaluation of conventional and AI-enhanced approaches - Heart Rhythm

摘要

背景

已有多种风险评分和生物标志物用于预测心房颤动（AF），但它们之间的比较及联合应用效果尚不明确。

目的

评估比较AF事件预测方法

方法

开发人工智能增强心电图（AI-ECG）风险评估器-AF（AIRE-AF），采用卷积神经网络结合离散时间生存损失函数预测AF。该模型在贝斯以色列女执事医疗中心（BIDMC）的189,539名患者（1,163,401份心电图）中训练，并在英国生物样本库（UKB，38,892人）中外部验证。将AIRE-AF与CHARGE-AF临床风险评分等方法比较。

结果

BIDMC队列中，AIRE-AF预测AF的C指数为0.750（0.743-0.758），优于CHARGE-AF、左心房大小和NTproBNP指标。CHARGE-AF和左心房大小的联合使性能提升0.017，但NTproBNP未带来显著增益。在志愿者人群（UKB）中，最佳单一预测因子CHARGE-AF（C指数0.750）与AIRE-AF联合达0.768，再结合多基因风险评分（PRS）提升至0.791。

结论

首次系统评估AF预测方法。AIRE-AF与CHARGE-AF的联合预测性能与更复杂模型相当。

关键词

1. 心房颤动
2. 风险预测
3. 人工智能
4. 多基因风险评分
5. 心电图

引言

心房颤动（AF）的终生风险达1/3，因其与中风、心力衰竭和死亡的关联构成重大公共卫生挑战。早期干预（如抗凝和节律控制）可降低风险。传统的CHARGE-AF评分依赖临床风险因素，但未能个性化整合个体特异性生物标志物。近期通过多基因风险评分（PRS）整合遗传信息，结合CHARGE-AF和NTproBNP可提升判别性能。左心房（LA）大小作为影像学指标在住院队列中易于获取，但尚不清楚不同AF预测方法（临床、影像、生化、遗传和AI-ECG）是否提供互补信息。人工智能，特别是AI-ECG分析，为非侵入性识别高危人群提供了新可能。

方法

伦理审批

本研究符合相关伦理规范，详见补充材料。

队列研究

研究两个队列：美国波士顿贝斯以色列女执事医疗中心（BIDMC）的二级护理队列和英国生物样本库（UKB）的志愿者队列（40-69岁）。

数据预处理

将数据按50/10/40%划分训练、调参和内部测试集。排除伪迹干扰心电图，采用0.5-100Hz带通滤波和60Hz陷波滤波，重采样至400Hz。采用零填充补足10秒记录，最终输入维度为4096×8。

AIRE-AF模型开发

扩展AIRE平台开发AF预测模型（AIRE-AF）。使用ICD-9/10编码或心电图诊断AF事件，结合先前开发的AI-ECG模型判断心电图AF状态。采用离散时间生存损失函数同时考虑现患和新发AF。

模型架构与训练

在BIDMC验证集定义AIRE-AF评分四分位数，通过Kaplan-Meier曲线和log rank检验评估统计显著性。采用R 4.2.0进行生存分析和Cox模型分析。

可解释性分析

通过变分自编码器（VAE）分析ECG形态与AIRE-AF评分关联，识别三个显著特征并通过-5到5的特征轨迹可视化。计算最低和最高AIRE-AF评分各10,000份心电图的中位波形。

结果

AIRE-AF预测新发AF

BIDMC队列中，189,539名受试者（47.9%男性）随访3.41年，34,938人（18.4%）死亡。在55,619名无基线AF的独立测试集中，AIRE-AF预测AF的C指数为0.750（0.743-0.758），门诊心电图测试性能相似（C指数0.748）。在心电图学家定义的"正常"心电图子集中（5,953人），判别性能小幅下降（C指数0.696）。

外部验证显示，UKB队列（48,827人）的C指数为0.716（0.697-0.735）。Brier评分显示BIDMC（0.089）和UKB队列（0.107）均具有稳健校准性能。

可解释性分析

VAE分析显示AIRE-AF预测与P波形态、PR间期、心率和QRS形态（包括QRS时限和电压）密切相关。中位波形分析验证了这些特征的重要性。

与临床指标比较

在BIDMC子队列（17,471人）中，AIRE-AF单指标性能最佳（C指数0.698），与CHARGE-AF联合最优，联合左心房大小可进一步提升性能（NRI 0.183）。

在NTproBNP测试子队列（4,647人）中，NTproBNP性能（C指数0.614）显著劣于AIRE-AF（0.680，p<0.0001），且与AIRE-AF联合未见显著增益。

志愿者队列验证

在UKB志愿者队列中，CHARGE-AF单指标最佳（C指数0.750），与AIRE-AF联合提升至0.768，再结合PRS提升至0.791（NRI 0.345）。

在心脏MRI子队列（25,780人）中，联合左心房容积可将性能提升至0.795，优于单独联合PRS（0.784 vs 0.779，p<0.0001）。

讨论

本研究开发并验证了AIRE-AF模型，首次系统比较了AI-ECG、临床评分、影像学和遗传信息的预测效能。结果显示：

1. 医院队列中，AIRE-AF单指标优于CHARGE-AF
2. 志愿者队列中，CHARGE-AF优于AIRE-AF
3. AI-ECG与临床指标联合具有显著增益
4. PRS在志愿者队列中提供额外价值，但心脏影像更易普及

临床意义

1. 医院队列中，AI-ECG是最佳预测指标
2. 对栓塞性卒中患者，联合AI-ECG、CHARGE-AF和影像可优化抗凝策略
3. 在志愿者队列中，AI-ECG和CHARGE-AF联合具有实用价值

局限性

1. 模型在不同人群和临床环境中的表现需进一步验证
2. NTproBNP数据仅来自临床指征患者
3. UKB缺乏同步NTproBNP数据
4. BIDMC未获取PRS数据

结论

本研究首次系统评估了AF预测方法，在不同场景中均具应用价值。AI-ECG与CHARGE-AF联合可达到复杂模型的预测性能，联合影像或PRS可提供小幅增益，而NTproBNP无显著贡献。

【全文结束】