单导联心电图AI分析预测长期临床结局：突破LVEF限制的心血管风险分层新工具

本研究通过人工智能(AI)分析单导联心电图(ECG)数据，创新性地发现AI-ECG算法不仅能检测左室收缩功能障碍(LVEF≤40%)，更能独立预测2年主要不良心血管事件(MACE)和全因死亡率。这项前瞻性队列研究纳入1007例患者，证实AI-ECG在LVEF≥50%人群中仍具预测价值，为心血管风险分层提供了可扩展的新型筛查工具。

　　

心血管疾病是全球首要死亡原因，而左心室收缩功能障碍(LVSD)是预后不良的重要指标。传统评估依赖超声心动图测量左心室射血分数(LVEF)，但设备昂贵且操作复杂。近年来，人工智能(AI)在12导联心电图(ECG)分析中展现出识别LVEF≤40%的能力，然而单导联ECG能否实现类似功能并预测长期临床结局仍是未知领域。这项由英国帝国理工学院团队开展的研究，探索了单导联AI-ECG在风险分层中的突破性应用。

研究团队采用前瞻性观察性多中心设计，纳入2021年2月至5月在伦敦7个NHS中心接受常规超声检查的1007例患者(平均年龄62.3岁，52.4%男性)。通过Eko Health公司的深度学习模型分析肺动脉瓣区(模拟II导联)采集的15秒单导联ECG数据，以0.341为阈值定义AI-ECG阳性(LVEF≤40%预测)。主要终点为2年随访期间的主要不良心血管事件(MACE)，包括全因死亡、急性心肌梗死、心衰住院、卒中/短暂性脑缺血发作。

关键技术包括：1)使用经35,970对ECG-超声数据训练的卷积神经网络模型；2)标准化单导联ECG采集于肺动脉瓣区；3)信号预处理采用50/60Hz陷波滤波、0.5Hz高通滤波和Savitzky-Golay平滑；4)通过Cox回归模型校正年龄、性别、慢性肾病等混杂因素。

研究结果显示：

1. 总体队列中，AI-ECG阳性组(33.7%)的MACE发生率显著高于阴性组(34.2% vs 11.9%，aHR 1.93)，全因死亡率差异显著(23% vs 9.6%，aHR 1.56)
2. 在LVEF≥50%亚组(n=832)，AI-ECG"假阳性"仍预测更高MACE风险(27.2% vs 11.9%，aHR 1.71)和死亡率(20.4% vs 9.6%，aHR 1.59)
3. AI-ECG概率评分每增加10%，MACE风险上升17%(HR 1.17)，死亡风险上升13%(HR 1.13)
4. 联合AI-ECG与超声LVEF≤40%的"真阳性"组风险最高(MACE的aHR达3.96)

讨论部分指出，这是首个证明单导联AI-ECG可独立于LVEF预测长期结局的研究。其重要意义在于：

1. 技术革新：将需要专业设备的LVEF评估简化为可穿戴设备兼容的单导联ECG分析
2. 临床价值：在资源有限地区实现高效风险分层，对LVEF正常但ECG异常患者提供早期预警
3. 科学发现：提示ECG蕴含超越传统解读的深层生物标志物信息
4. 应用前景：为集成到消费级健康监测设备奠定基础，有望改变心血管疾病筛查范式

研究局限性包括样本中起搏器患者较少(n=42)，且AI模型的可解释性有待提升。未来需扩大样本验证概率评分的临床应用价值，并探索算法在动态监测中的表现。该成果发表于《European Heart Journal - Digital Health》，为数字医疗时代的心血管预防提供了创新解决方案。