经胸超声心动图和人工智能心电图在手术消融后预测心房心律失常复发的指标

《Heart Rhythm O》：Transthoracic Echocardiographic and AI-ECG Predictors of Atrial Arrhythmia Recurrence After Surgical Ablation

房颤术后复发预测：AI-ECG与TTE联合应用效果评估。本研究纳入1696例行心脏手术消融的房颤患者，整合术前经胸超声心动图（TTE）参数（左心房面积、E/e'比值）与AI-ECG多维度评分（房颤概率、年龄预测、HFpEF、主动脉狭窄及低EF评分），构建Cox回归模型及随机生存森林模型。结果显示，AI-ECG房颤概率（HR 1.009, p<0.0001）、年龄预测（HR 1.020, p=0.0002）及TTE左心房面积（HR 1.009, p=0.046）为独立预测因子，模型3年校准Brier score达0.21，风险分层使高/低危组复发率差异达42.6%（85.2% vs 42.6%）。

　　本研究探讨了在心脏手术消融后，如何利用术前经胸超声心动图（TTE）和人工智能辅助心电图（AI-ECG）的评分系统来提高心房颤动（AF）和心房扑动（AFl）再次发生的风险评估能力。心房颤动是一种常见的心律失常，即使在成功手术消融后，仍然存在较高的复发率，给临床医生带来挑战。传统的心电图和超声心动图方法虽然在一定程度上能够预测手术失败，但它们在个体化风险评估方面的准确性和区分度仍有不足。因此，引入新的生物标志物和人工智能技术成为提升风险分层的关键。

在本研究中，研究人员回顾性分析了1,696名接受心脏手术消融的患者，时间跨度从2006年到2025年。这些患者均接受了术前的TTE检查和心电图检查，并且在手术后90天的空白期之后进行了心电图随访。研究团队评估了多个临床、TTE和AI-ECG变量，包括心房颤动概率、心电图估计年龄、心力衰竭伴射血分数保留（HFpEF）、左心室功能障碍和主动脉瓣狭窄的评分。通过Cox比例风险模型和随机生存森林（RSF）模型，研究者识别了预测AF/AFl复发的关键因素。

研究结果显示，在1,696名患者中，56%（949人）在随访期间出现了AF/AFl的复发，而44%（747人）则保持无复发状态。复发组患者的左心房面积更大，二尖瓣E波速度更高，同时AI-ECG评分也显示出与复发相关的不良指标。在多变量分析中，独立预测复发的因素包括较高的心电图AF概率、较高的心电图估计年龄、较大的左心房面积、较高的体重指数（BMI）和较高的舒张压。最终的Cox模型达到了约0.67的C指数，并且3年的Brier评分为0.21，显示出良好的校准能力。同时，RSF模型的C指数略高，达到了约0.69，进一步验证了这些预测因素的稳定性。

研究还发现，术前AI-ECG的生物标志物（如心房颤动概率、心电图估计年龄）和TTE的左心房重塑指标（如左心房面积）能够独立预测AF/AFl的复发。结合这些指标可以有效改善风险分层，为临床医生提供更精准的预后评估工具。研究还强调了AI-ECG在识别潜在心血管病理方面的潜力，这些指标能够提供比传统方法更全面的信息，特别是在评估心脏结构和电生理变化方面。

尽管AI-ECG和TTE指标在风险预测中表现出色，但研究也指出了一些局限性。首先，该研究是基于单一综合医疗系统进行的回顾性分析，可能限制了结果的普遍适用性。其次，一些重要的临床变量，如AF的持续时间或更细致的亚型区分，没有被统一记录，因此被排除在分析之外，这可能会影响结果的准确性。此外，关于具体手术消融病变集合的信息不一致，使得无法评估其对复发的影响。术后抗心律失常药物（AAD）的使用记录也不完整，这可能会影响对药物影响的评估。

研究还提到，虽然使用的AI-ECG评分已经过验证，但它们被应用于新的临床场景（如手术AF/AFl消融）时，其阈值和性能特征可能尚未完全优化。此外，该研究并未旨在优化或重新校准AI算法本身，而是将这些评分作为预测因子进行分析。因此，虽然Cox模型能够提供较为准确的群体水平风险估计，但其在个体化风险评估方面仍有局限。研究建议未来可以进一步探索如何利用这些评分进行更精确的个体化风险评估，并考虑结合其他生物标志物、蛋白质组学或基因数据，以及更先进的影像技术，以进一步提升风险分层的准确性。

总的来说，本研究为心脏手术消融后的风险评估提供了新的视角，强调了术前AI-ECG和TTE指标在预测AF/AFl复发中的重要性。这些指标的结合不仅提高了风险分层的准确性，还为临床医生提供了更有效的工具，以优化术后监测和个性化管理。研究还指出，尽管AI-ECG和TTE指标在某些方面表现优异，但其在个体化风险评估中的应用仍需进一步探索和优化，以确保其在临床实践中的有效性和可靠性。