机器学习风险预测模型联合长程心电图筛查在老年人群房颤检测中的优势：CONSIDERING-AF随机对照试验

本研究针对房颤(AF)筛查中目标人群选择和方法优化的关键问题，通过随机对照试验验证了机器学习风险预测模型(RPM)联合14天长程贴片心电图(ECG)在≥65岁高危人群中的筛查优势。结果显示，RPM+ECG组AF检出率显著高于常规护理组(3.8% vs 0.7%)，需筛查人数(NNT)仅32人，为精准化AF筛查提供了循证依据。

　　

房颤(AF)作为临床上最常见的心律失常，其患病率正随着人口老龄化持续攀升。这种"沉默的杀手"最危险之处在于，许多患者并无明显症状，却因此面临高达5倍的卒中风险。尽管口服抗凝剂(OAC)可使卒中风险降低64%，但现实中约三分之一的AF患者直到发生卒中才被确诊。这种诊断延迟促使全球学者不断探索更有效的筛查策略，但核心问题始终未解：究竟该在什么人群中、用什么方法筛查AF最能获益？

既往研究呈现矛盾结果：STROKESTOP研究采用间歇性手持ECG在75-76岁人群中发现3%的新发AF，显示适度临床获益；而LOOP研究使用植入式心电记录仪在70-90岁高危人群中检出32%的AF，却未能降低卒中发生率。欧洲心脏病学会(ESC)2024指南虽建议≥75岁或≥65岁伴卒中危险因素者考虑系统筛查，但最佳实施路径仍存争议。这种不确定性源于两个关键瓶颈：一是传统风险分层工具如CHA₂DS₂-VA评分特异性不足，二是不同监测技术的敏感性差异显著。

在此背景下，瑞典CONSIDERING-AF研究团队创新性地将机器学习风险预测模型(RPM)与长程贴片ECG相结合，试图破解这一临床难题。这项发表在欧洲心律协会官方期刊《EP Europace》的随机对照试验，通过霍尔兰德地区330,000居民的健康数据库(RHIP)，筛选出65岁以上无AF病史的56,560人，最终纳入2,960名受试者随机分为四组：普通人群+邀请组、普通人群+对照组、RPM高风险+邀请组、RPM高风险+对照组。RPM基于13项临床变量(包括年龄、心衰、瓣膜病等)构建，高风险定义为预测概率>5%。邀请组接受14天Philips ePatch连续ECG监测，主要终点为6个月内新发AF诊断率。

关键技术方法包括：1)基于区域医疗信息平台(RHIP)的机器学习RPM风险分层；2)随机分组采用计算机生成的区组随机序列；3)14天连续贴片ECG(Philips ePatch)监测；4)人工智能ECG分析平台(Philips Cardiolog)辅助诊断；5)由两位心脏专家(E.S和J.E)独立判读ECG结果。

研究结果显示，在意向筛查分析中，RPM+邀请组的AF检出率显著高于普通人群对照组(3.8% vs 0.7%，p<0.001)，风险比达5.6，需筛查人数(NNT)为32。值得注意的是，57%的AF通过ECG贴片检出，其余43%在6个月随访期间通过常规医疗发现。方案分析显示更显著差异：RPM+邀请组检出率达6.7%，较对照组绝对风险差达6.1%，NNT降至17。贴片ECG监测中，76%的AF在首周内检出，中位检出时间仅1.15天，但90%为阵发性AF，中位AF负荷仅1.6%。

在次要终点方面，RPM+邀请组显著优于普通人群邀请组(3.8% vs 1.1%)，但RPM+邀请组与RPM对照组差异未达统计学显著性(3.8% vs 2.2%，p=0.07)。邀请组抗凝治疗率显著高于对照组(86% vs 48%)。技术可行性方面，ECG贴片返回率达88%，中位有效监测时间336小时，噪音时间仅1.9小时。

讨论部分指出，该研究首次证实机器学习RPM联合长程ECG的筛查策略优于常规护理，其优势体现在三方面：一是RPM精准锁定高风险人群(90% CHA₂DS₂-VA≥2)，二是连续监测提高阵发性AF检出率，三是数字化流程实现43%参与率(显著高于同类研究)。但作者也强调，发现更多AF是否转化为临床硬终点改善仍需验证，特别是检出AF负荷普遍较低(中位1.6%)的情况下。此外，筛查还附带检出三倍于AF的其他心律失常，可能增加医疗负担。

这项研究为精准化AF筛查提供了重要循证依据，其创新价值在于：1)验证了机器学习RPM在真实世界筛查中的实用性；2)明确了14天ECG监测在老年人群中的可行性；3)建立了从风险预测到诊断干预的完整路径。未来研究方向应包括：延长随访评估卒中预防效果、成本效益分析，以及探索人工智能心电图分析等更高效的工具。正如ESC指南强调的，在老龄化社会背景下，这种基于风险分层的精准筛查策略，可能成为平衡医疗资源与临床获益的关键突破口。