心电图人工智能模型的跨群体通用性研究：从传统诊断到心血管疾病风险预测的革命性突破

本研究系统评估了心电图人工智能(ECG-AI)模型在心力衰竭(HF)风险预测和左心室功能障碍(LVD)检测中的跨群体通用性。通过分析ARIC、MESA等队列数据，发现基于卷积神经网络(CNN)的ECG-AI模型在种族、年龄、ECG设备间均保持稳定性能(AUC 0.76-0.92)，显著优于传统风险评分模型(FHS-HF/ARIC-HF)。该成果为ECG-AI在远程医疗和健康公平性中的应用奠定基础。

　　

心电图(ECG)作为临床诊断工具已有百年历史，但传统解读方式长期受限于医生经验差异和设备局限性。随着深度学习技术发展，心电图人工智能(ECG-AI)开始突破传统诊断边界，展现出预测心血管疾病风险的惊人潜力。然而，这种"黑箱"模型能否在不同人群、设备和时间跨度中保持稳定性能，成为制约其临床转化的关键瓶颈。

美国田纳西大学健康科学中心(University of Tennessee Health Science Center, UTHSC)的Ibrahim Karabayir和Oguz Akbilgic团队在《npj Cardiovascular Health》发表研究，通过两项典型案例系统评估ECG-AI模型的通用性。研究团队采用卷积神经网络(CNN)架构，分别开发了10年心力衰竭(HF)风险预测模型和左心室功能障碍(LVD)分型检测模型。关键技术包括：1)利用ARIC队列(n=15,792)训练HF风险模型并进行MESA队列(n=6,814)外部验证；2)基于Atrium Health Wake Forest Baptist的百万级ECGs构建LVD/HFpEF分类器；3)采用DeLong检验比较模型在GE MUSE与EPIPHANY系统ECGs中的性能差异。

跨人群通用性验证

HF风险预测模型在训练集(ARIC，64%白人)与包含华裔/西班牙裔的MESA队列中表现高度一致(AUC 0.76 vs 0.77，p=0.616)。值得注意的是，该模型在UTHSC真实世界数据(54%黑人)中仍保持同等准确度，而传统FHS-HF模型AUC从0.78显著降至0.72(p<0.001)。

设备与时间通用性

基于1987-1989年GE MUSE系统ECGs开发的模型，在2020年EPIPHANY系统数据上仍保持稳定性能。LVD检测模型在12导联与单导联(I导联)配置间也展现良好兼容性，儿童rEF检测AUC达0.97。

临床转化潜力

研究发现单导联模型对中度心衰(mEF)的泛化能力优于12导联模型(AUC波动0.75-0.78 vs 0.73-0.81)，这为智能手表等可穿戴设备应用提供依据。作者提出通过ECG-Air平台整合临床ECG大数据与可穿戴设备数据，有望突破远程监测技术瓶颈。

该研究证实ECG-AI具有超越传统风险模型的时空稳定性，其"一次开发、多场景适用"特性可显著降低医疗 disparities。随着FDA批准的可穿戴ECG设备增多，这项研究为建立去中心化的AI辅助诊断体系提供了重要方法论支撑，标志着心血管疾病筛查进入普惠医疗新时代。