基于可解释AI的心电图衰老效应分析揭示心血管风险预测新生物标志物：一项纵向人群研究

推荐语：本研究通过可解释人工智能(AI-ECG)模型，首次在德国人群队列中验证了心电图(ECG)衰老效应与心血管疾病(CVD)风险的纵向关联。研究人员利用20年随访数据，发现连续ECG监测可将死亡风险HR从1.43提升至1.65，并证实ECG衰老效应与房颤(AF)、心衰(HF)等疾病显著相关。该研究为早期识别高风险患者提供了新型无创生物标志物。

　　

随着全球老龄化进程加速，心血管疾病(CVD)已成为威胁人类健康的主要杀手。传统风险评估主要依赖"时序年龄"，但个体间衰老速度存在显著差异。心电图(ECG)作为临床最常用的检查手段，其波形变化能否反映"生物年龄"并预测心血管风险？这正是德国格赖夫斯瓦尔德大学等机构研究人员在《npj Digital Medicine》发表的重要研究要解决的核心问题。

研究团队创新性地将可解释人工智能(AI)技术应用于ECG分析，在德国波美拉尼亚健康研究(SHIP)队列中验证了AI-ECG模型的预测效能。该模型最初基于巴西TeleHealth网络的150万例ECG数据训练，能通过12导联ECG预测患者的"ECG年龄"。关键发现是：当预测ECG年龄超过实际年龄8岁以上时，患者死亡风险显著增加(HR 1.41)，而低于实际年龄8岁以上者风险降低(HR 0.64)。更突破性的是，通过分析连续两次ECG记录，死亡风险预测HR进一步提升至1.65。

技术方法上，研究采用预训练的ResNet模型处理ECG信号，通过集成梯度法进行可解释性分析。纳入德国SHIP研究的12,724份ECG记录，平均随访17.6年。统计采用逻辑回归和Cox比例风险模型，调整年龄、性别等混杂因素。

【结果】

验证AI-ECG模型：在德国队列中复现了原始研究的预测性能(r²=0.70 vs 0.71)。年龄预测平均绝对误差(MAE)为8.15年，与巴西数据(8.38年)相当。

心血管风险关联：ECG年龄高估组("Overestimation")与房颤(AF)诊断(OR 2.72)、心衰(HF)诊断(OR 1.39)和死亡(HR 1.47)显著相关，女性关联更强(AF诊断OR达4.19)。

纵向ECG分析：相比单次ECG，连续两次ECG记录使死亡风险HR从1.43升至1.65，证实纵向数据能增强预测。

可解释性分析：模型决策聚焦于右胸导联(V1-V3)的P波和QRS波群，与已知衰老相关的心室肥厚和纤维化特征一致。左胸导联(V4-V6)的R波和T波对预测年轻化更重要。

临床特征验证：传统ECG参数(P间期、PR间期等)在年龄组间虽有统计学差异，但重叠度高，说明AI模型捕捉了更细微的特征。

【结论与讨论】

这项研究首次证明ECG衰老效应可作为跨人群、跨医疗系统的通用生物标志物。其重要意义体现在三方面：首先，利用常规检查ECG实现无创风险预测，成本效益显著；其次，可解释性分析证实模型决策符合临床病理机制，如右胸导联变化反映右心室肥厚("cor pulmonale")；最后，纵向数据价值的证实为动态监测开辟新途径。

研究也存在局限性：40岁以下人群预测准确性较低；性别差异提示需开发性别特异性模型；仅两次ECG记录限制了对长期变化的观察。未来研究应扩大年龄范围，优化性别偏差，并纳入更多时间点数据。

这项创新性工作将AI技术与传统ECG完美结合，为心血管疾病的早期筛查提供了新范式。正如作者指出，ECG作为最普及的筛查工具，整合AI分析只需最小额外成本，却能显著提升风险识别能力。该成果对老龄化社会的公共卫生策略具有重要指导价值，也为开发生物年龄评估工具树立了新标杆。