自动化心电图解读的临床修正模式：一项基于15万例ECG的真实世界研究

《European Heart Journal - Digital Health》：Factors associated with physician modifications to automated ECG interpretations

【编辑推荐】为解决自动化心电图(ECG)解读系统在真实临床场景中的准确性不足问题，研究人员开展了一项针对15.9万例ECG的回顾性研究。结果发现31.3%的自动化报告需医师修正，QT间期延长(新添加5.6%)和心室起搏器(新添加3.6%)最常被补充，而下壁梗死(删除率32.0%)等术语常被删除。该研究揭示了规则型ECG算法的局限性，为AI心电图诊断系统的优化提供了关键依据。

　　

在当今心血管疾病诊疗中，心电图(ECG)已成为最常规的检查手段之一。全球每年记录数百万份ECG，其中绝大多数通过算法自动分析生成实时初步解读，旨在辅助临床决策、优化工作流程并减少人为误差。尽管商用自动化ECG解读系统已广泛投入使用，但这些系统远未达到完美境界。既往研究指出，它们对复杂ECG特征的误判、对标准化模式的过度依赖以及对多样化患者群体的适应性不足，可能导致错误的临床决策、不必要的检查或漏诊危重病情，最终影响患者安全及医疗资源利用。

值得注意的是，尽管临床实践高度依赖自动化ECG解读，但我们对算法与专家修正之间真实互动的理解仍十分有限。现有研究多聚焦于算法在受控条件下的准确性验证，缺乏对真实临床场景的系统评估。此外，以往研究多局限于特定诊断亚组或有限人群，难以全面反映多样化的临床实践。随着自动化ECG解读日益融入日常诊疗，迫切需要对医师修正的模式和频率进行系统性分析——这不仅有助于改进算法性能，对高危场景下的及时准确诊断更具重大意义。

为此，由Cedars-Sinai医疗中心I-Min Chiu与Yuki Sahashi等学者领衔的研究团队，在《European Heart Journal - Digital Health》发表了题为“Factors associated with physician modifications to automated ECG interpretations”的原创研究。该研究回顾性分析了2011-2023年间159,630例12导联ECG，比较GE Marquette? 12SL分析程序生成的自动化初步报告与医师最终报告之间的差异。研究将文本差异定义为“修正”，并通过对69个预定义ECG术语的分类统计，深入探索了修正发生的规律及其临床关联。

研究方法的核心在于大规模数据比对与术语级分析。研究人员从Cedars-Sinai医疗中心获取所有静息12导联ECG记录，排除未经过医师审核的报告，并对解读量异常高的医师进行随机抽样（最终纳入8位医师的各1万例ECG）。通过对比自动化报告与医师最终报告的文本，识别出69个关键ECG术语，并计算每个术语在修正前后的出现频率、新增比率（术语原不存在而被医师添加的比例）及删除比率（术语原存在而被医师移除的比例）。统计分析采用Python 3.10.12与R 4.2.2完成，重点考察了修正行为与采集时间、患者生理参数、医师经验等因素的关联。

研究结果揭示，31.3%的ECG报告经历了医师修正。修正更常见于非工作时间采集的ECG（54% vs. 52%）、心室率较高（86±28 b.p.m. vs. 80±21 b.p.m.）及QRS时限较长（103±33 ms vs. 97±25 ms）的患者。随时间推移，修正率显著下降（2011-2012年42.2% → 2023年18.4%），提示ECG分析算法的持续改进。

术语层面，医师最常新增的诊断为“QT间期延长”（2565例新增）、“心室起搏器心律”（1826例新增）和“窦性心律”（1619例新增）；最常删除的术语为“下壁梗死”（1925例删除）、“前壁梗死”（1371例删除）及“窦性心律”（1245例删除）。值得注意的是，“窦性心律”同时位列新增与删除前三名，反映医师对心律判断的精细化调整。某些特定术语如“疑似起搏器功能异常”在自动化报告中出现时，高达90.3%被医师删除；“WPW预激模式”的删除率也达84.6%。

按术语类别分析显示，“心电图测量/模式”类术语新增比率最高（1.1%），而“起搏器相关”类术语的删除比率显著高于其他类别（58.2%）。“缺血相关”术语的删除比率达39.4%，凸显算法在此领域的过度诊断倾向。医师经验也影响修正行为，高年资医师（>36年）修正率（28.4%）显著高于低年资者（24.7%），暗示临床经验促发更严格的算法审阅。

讨论部分指出，本研究首次大规模揭示了临床医师与自动化ECG解读系统的真实互动模式。修正行为不仅纠正错误，更体现医师对算法输出的主动重构——删除模糊术语（如“不确定心律”）、补充关键诊断（如QT间期延长），这种选择性编辑深植于临床语境与患者个体特征。规则型系统的局限性在起搏器心律分析、心肌缺血判断等复杂场景中尤为突出，而深度学习(Deep Learning)模型近年已展现出超越传统算法的潜力，如在心律失常分类、结构性心脏病检测乃至隐匿性生物标志物推断方面的卓越表现。

研究结论强调，医师对自动化ECG报告的修正反映了其整合临床语境与波形细微特征的诊断智慧。明确的修正模式为改进算法提供了路线图：未来人工智能(AI)模型需从静态规则转向语境感知，重点提升对QT间期测量、起搏器心律识别等薄弱环节的准确性。随着深度学习技术不断验证于多样化临床环境，其有望显著降低医师解读负担，推动ECG诊断从自动化向智能化演进。