基于人工智能心电图生物年龄模型重新评估衰老相关疾病风险：一项提升临床预测准确性的创新研究

本研究通过开发AI赋能的心电图生物年龄(ECG-BA)预测模型，解决了传统时序年龄(CA)在评估衰老相关疾病风险中的局限性。台北荣民总医院团队利用48,783例健康人群的12导联ECG数据构建深度学习模型，证实ECG-BA与CA联合可显著提升心血管疾病(如CAD、MI)和非心血管疾病(如AD、癌症)的预测准确率，净重分类改善(NRI)达21%，为临床风险分层提供了新型生物标志物。

　　

随着全球老龄化加剧，准确评估个体衰老程度成为预防医学的核心挑战。传统依赖时序年龄(CA)的预测模型存在明显局限——同年龄段人群的器官功能衰退速度差异可达数十年。这种"一刀切"的评估方式导致高风险个体漏诊、低风险个体过度医疗等问题。更棘手的是，现有生物年龄(BA)检测多依赖复杂分子标记或影像学检查，难以在临床常规开展。

台北荣民总医院Li-Lien Liao团队在《npj Aging》发表的研究开辟了新路径。研究人员创新性地利用12导联心电图(ECG)这种普及率高达95%的检查手段，开发出人工智能赋能的ECG生物年龄(ECG-BA)预测模型。这项涵盖48,783名健康成年人的研究显示，ECG-BA与CA的相关系数r²=0.70，平均绝对误差仅6.16年，性能优于Mayo诊所等现有模型。更重要的是，当ECG-BA与传统CA结合时，对心血管疾病(如心肌梗死MI、冠状动脉疾病CAD)和非心血管疾病(如阿尔茨海默病AD、癌症)的预测准确率提升21%，其中癌症预测的净重分类改善(NRI)最高达29%。

研究团队采用多技术融合策略：通过残差网络(ResNet)处理ECG时序信号，结合通道注意力机制(SENet)强化特征提取，并采用五折交叉验证确保模型稳健性。医疗数据来自2006-2017年台北荣民总医院电子病历系统，严格匹配病例组与健康对照组的人口学特征。

ECG-BA模型

深度学习模型在健康人群中表现出色，MAE(平均绝对误差)为6.25±0.08年，显著优于传统LSTM模型的8.41年。模型捕捉到的心脏电生理变化与系统衰老高度同步。

诊断性能

在27,124例卒中患者和9,689例癌症患者的验证中，ECG-BA+CA组合使AUC(曲线下面积)显著提升：CAD从0.7637升至0.7647(p<0.0001)，AD从0.8138升至0.8174(p=0.0151)。值得注意的是，对心律失常类疾病(如房颤AF)预测改善不显著，提示其发病机制可能独立于衰老进程。

重分类改善

NRI分析显示ECG-BA能纠正CA模型的误分类：外周动脉闭塞病(PAOD)改善27%，AD改善22%。这种改善在40岁以下人群和骨关节炎(OA)预测中例外，可能与年轻人群器官代偿能力强有关。

讨论部分揭示了ECG-BA的深层价值：心脏作为"衰老时钟"，其电生理变化可能通过慢性炎症(inflammaging)等机制反映全身器官状态。相比传统Framingham风险评分需要血压、胆固醇等多参数，单次ECG检查即可实现可比的风险重分类效果(NRI 33% vs 传统指标的6.6±3.4%)。

该研究的临床转化意义重大：ECG-BA可作为基层医疗的"衰老筛查仪"，通过普及的ECG设备实现大规模疾病预警。未来研究需解决两个局限：一是ECG机器品牌差异可能影响模型泛化性，二是对生活方式干预(如运动、饮食)如何调节ECG-BA尚未探索。这项创新为精准老龄健康管理提供了切实可行的技术路径。