基于人工智能的心电图性别指数（ESI）：突破传统二元性别分类的心血管风险预测新维度

本研究创新性地利用人工智能分析心电图数据，开发出连续性的性别表征指标ECG Sex Index（ESI），解决了传统风险预测模型中性别二元分类的局限性。通过3,573,844例心电图数据验证，ESI在预测全因死亡率、心力衰竭和肾衰竭风险方面优于传统性别变量，为精准医疗提供了新的生物标志物。

　　

在临床医学领域，性别一直被视为简单的二元变量（男性/女性），然而越来越多的证据表明，性别对健康的影响实际上是一个复杂的连续谱系。这种简化处理方式可能掩盖了重要的生物学差异，特别是在心血管疾病风险评估中尤为明显。传统风险预测模型将性别作为固定分类变量的做法，不仅忽略了性别相关特征的连续性本质，还可能影响风险分层的准确性。

美国维克森林大学医学院（Wake Forest School of Medicine）的研究团队Ibrahim Karabayir等人开展了一项开创性研究，通过人工智能技术重新定义了性别的表征方式。研究人员开发出基于心电图的性别指数（Electrocardiographic Sex Index，ESI），这项发表在《Biology of Sex Differences》的研究表明，这种连续性的性别表征能够更准确地预测多种临床结局。

研究采用卷积神经网络（CNN）分析来自维克森林医疗系统的3,573,844份心电图数据，外部验证使用PhysioNet数据库的45,152份心电图。主要技术包括：1）使用改进的ResNet架构处理心电信号；2）通过排名转换生成ESI（0-1连续值）；3）建立性别不一致指数（SDI）；4）采用逻辑回归和多种机器学习算法评估预测性能。

【ECG-AI模型性能】
研究团队开发的深度学习模型在内部验证集达到0.947的AUC（95%CI 0.946-0.947），在100%亚洲人群的外部验证集保持0.916的AUC。模型对不同种族群体表现稳定，在白种人、黑种人和亚裔人群中的AUC分别为0.948、0.939和0.939。值得注意的是，年龄对ESI的影响呈现性别特异性：女性ESI随年龄增长而升高（r=0.192），男性则相反（r=-0.165）。

【临床预测价值】
在101,339例患者的全因死亡率预测中，ESI的机器学习模型AUC达0.72（95%CI 0.71-0.73），显著优于传统性别变量（AUC 0.67）。对于74,846例心力衰竭风险评估，结合ESI和SDI的模型AUC提升至0.85（95%CI 0.85-0.86）。特别值得注意的是，在1,236例慢性肾病患者中，SDI对肾衰竭的预测AUC高达0.98（95%CI 0.96-0.99）。

【亚组分析发现】
体重对ESI的影响呈现有趣模式：体重不足女性ESI显著较高（0.334 vs 0.296），而肥胖男性ESI低于正常体重男性（0.733 vs 0.748）。种族差异也较明显，亚裔女性ESI最低（0.212），西班牙裔男性ESI最高（0.732）。

这项研究的重要意义在于首次实现了性别的连续性量化表征，突破了临床研究中长期存在的二元性别分类局限。ESI不仅保留了传统性别变量的预测价值，更能捕捉到传统方法无法识别的风险梯度。研究提出的SDI概念特别有价值，它量化了个体生物学性别特征与登记性别之间的差异程度，这种差异被证明与不良临床结局显著相关。

从临床应用角度看，ESI和SDI可以无缝整合到现有风险预测模型中，无需额外检查即可提供更精准的风险评估。尤其对于心力衰竭和慢性肾病这两种存在明显性别差异的疾病，ESI可能帮助识别传统方法容易忽略的高风险人群。未来研究可探索ESI与性激素水平、染色体特征等生物学指标的关联，进一步揭示其背后的生物学机制。