人工智能心电图模型预测射血分数保留型心力衰竭：一项单中心研究

本研究针对射血分数保留型心力衰竭（HFpEF）诊断困难的临床挑战，开发了一种基于卷积神经网络的人工智能（AI）心电图（ECG）模型。研究人员利用13,081例患者的临床数据，通过HFA-PEFF评分系统（≥5分）作为金标准，构建的AI-ECG模型显示出优异的判别性能（AUC 0.81），并能有效预测5年心脏死亡（HR 9.56）和心衰住院（HR 5.91）风险。该研究为HFpEF的早期筛查提供了便捷可靠的解决方案。

　　

在老龄化社会背景下，射血分数保留型心力衰竭（HFpEF）已成为心血管领域的重要挑战。这种特殊类型的心衰占所有心衰病例的近半数，但其诊断却面临独特困境——与射血分数降低的心衰不同，HFpEF缺乏像左心室射血分数（LVEF）这样明确的诊断标志物。临床医生不得不依赖复杂的多模态评估，包括超声心动图检查舒张功能参数、测量NT-proBNP（N末端B型利钠肽原）等生物标志物，再通过HFA-PEFF（心衰协会预测试评估、超声心动图和利钠肽、功能测试和最终病因）评分系统进行综合判断。这套诊断流程不仅需要专业设备和人员，还涉及高昂的医疗成本，导致HFpEF在基层医疗中经常被漏诊或误诊。

韩国成均馆大学医学院三星医疗中心心脏科的研究团队在《European Heart Journal - Digital Health》发表了一项创新研究。他们开发了一种基于人工智能的心电图模型，旨在简化HFpEF的诊断流程。这项回顾性研究纳入了2016-2022年间在该中心同时接受超声心动图、NT-proBNP检测和心电图检查的13,081例患者。研究采用改进的一维DenseNet-121卷积神经网络架构分析心电图信号，以HFA-PEFF评分≥5分作为HFpEF的诊断标准。

研究团队采用了多项关键技术：首先建立了包含13,081例患者的多模态临床数据库；其次开发了专门处理心电图信号的一维DenseNet-121神经网络模型；最后采用7:1:2的比例划分训练集、验证集和测试集，确保模型评估的可靠性。所有心电图数据均使用飞利浦心电图仪以500Hz采样率采集。

研究结果显示，在测试集中AI-ECG模型表现出色。模型在测试集中的受试者工作特征曲线下面积（AUC）达到0.81（95%CI 0.79-0.82）。在Youden指数确定的阈值下，模型灵敏度为0.72，特异度为0.74。敏感性分析显示，排除HFA-PEFF评分2-4分的中间风险人群后，模型性能进一步提升（AUC 0.90）。亚组分析证实，模型在不同年龄、体重指数、高血压和糖尿病状态的亚组中表现稳定（AUC 0.78-0.83）。

更引人注目的是模型的预后预测价值。在中位4年的随访中，AI-ECG阳性患者的5年心脏死亡率显著高于阴性组（1.1% vs 0.1%，HR 9.56）。同样，心衰住院风险也呈现显著差异（2.8% vs 0.6%，HR 5.91）。当按HFpEF诊断和AI预测结果将患者分为四组时，复合终点事件发生率呈现明显梯度：真阳性组5.3%，假阴性组2.5%，假阳性组0.5%，真阴性组仅0.2%。

这项研究具有重要的临床意义。首先，AI-ECG模型为HFpEF诊断提供了便捷可靠的筛查工具，特别适合资源有限的基层医疗机构。其次，模型展现的预后预测能力有助于识别高风险患者，指导临床干预。最后，该研究为人工智能在心血管疾病诊断中的应用提供了新范式。值得注意的是，当前模型仅适用于窦性心律患者，未来需要扩展至房颤人群以提高临床适用性。尽管如此，这项研究仍代表了数字化医疗在解决心衰诊断难题方面的重要突破，为HFpEF的早期识别和管理开辟了新途径。