编辑推荐：
心律失常常见且影响广泛，但深度学习模型（DLMs）检测心律失常存在局限。研究人员开展开发能检测多种心律失常 DLM 的研究。结果显示该模型检测性能优异，假阳性房颤（AF）检测者发病风险高。其可辅助医生识别高风险患者，意义重大。
心律失常在人群中十分常见，无论是有结构性心脏病的患者，还是心脏结构正常的个体都可能受到影响。深度学习模型（DLMs）已展现出利用 12 导联心电图（ECGs）识别心律失常的能力。然而，可检测心律失常类型有限以及数据集稳定性不足，阻碍了其广泛应用。
在这项算法开发研究中，研究人员使用了 22130 份心电图，将它们划分为开发集、调整集、验证集和竞赛集。同时，利用包含 32495 份心电图的三个公开数据集（CODE - test、PTB - XL、CPSC2018）进行外部验证。研究还评估了被 DLM 误判为房颤（AF）阳性的个体，发生新发房颤、心力衰竭（HF）以及死亡的长期风险。
在验证集中，DLM 的受试者工作特征曲线下面积超过 0.97，并且在大多数心律失常类别中，灵敏度和特异性均超过 90%。它展现出与心脏病专家相当的诊断水平，在人机竞赛的平衡准确率排名中拔得头筹。外部验证也证实了其良好的性能。经年龄和性别校正后，被误判为房颤阳性的个体，相比房颤检测阴性的个体，新发房颤（风险比 [HR]：1.69，95% 置信区间 [CI]：1.11 - 2.59）、心力衰竭（HR：1.73，95% CI：1.20 - 2.51）以及死亡（HR：1.40，95% CI：1.02 - 1.92）的风险显著更高。
研究成功开发出一种精准的 DLM，能够在多个数据集上检测 23 种心律失常。这一模型成为了辅助医生识别高风险患者的有力筛查工具，对于早期干预和风险分层具有潜在意义。
