人工智能赋能窦性心律心电图联合CHARGE-AF评分预测阵发性心房颤动的临床价值

本研究针对阵发性心房颤动（AF）诊断延迟的临床难题，开发了一种整合窦性心律心电图（ECG）信号与CHARGE-AF评分的卷积神经网络（CNN）模型。研究通过157,192份心电图数据验证，该模型AUC达0.89，显著优于传统CHARGE-AF评分，并在美国郊区诊所和希腊医院的外部队列中保持优异性能（AUC 0.85-0.90）。该成果为AF早期筛查提供了高精度工具，发表于《European Heart Journal - Digital Health》，推动了人工智能在心血管疾病管理中的应用。

　　

心房颤动（Atrial Fibrillation, AF）作为最常见的心律失常，是中风和心力衰竭的重要诱因，但临床诊断面临巨大挑战——约20%患者无症状，30%症状不典型，且常规心电图（ECG）若未捕捉到发作期则会漏诊。这种"沉默的威胁"导致许多患者直到中风发作才被发现，凸显了早期筛查的迫切性。传统CHARGE-AF评分虽能预测AF风险，但其判别力有限（AUC 0.60-0.80），而近年兴起的人工智能心电图（AI-ECG）技术能否突破这一瓶颈，学术界仍存争议。

针对这一科学问题，由纽约大学领衔的国际团队开展了大规模研究。研究人员创新性地将34层残差卷积神经网络（ResNet CNN）与临床特征相结合，构建了五种预测模型。研究纳入纽约大学医疗系统2012-2022年间157,192份窦性心律ECG（来自76,986例患者），严格划分训练集（70%）、验证集（10%）和测试集（20%）。特别值得注意的是实验设计中的时间窗口设定——将AF确诊前/后90天内的窦性心律ECG定义为阳性样本，这种巧妙的方案解决了AF发作时间不确定的难题。

关键技术方法包括：1）从电子健康记录（EHR）提取CHARGE-AF评分要素（年龄、糖尿病史等）；2）使用250Hz采样的8导联（I, II, V_1-6）ECG信号作为CNN输入；3）采用Adam优化器和早停策略训练模型；4）在美国郊区门诊（5,488例）和希腊医院（306例）队列中进行外部验证。

模型性能比较

核心发现显示，整合ECG和全部CHARGE-AF特征的模型表现最优：在测试集中AUC达0.89（95%CI:0.88-0.89），AUPRC（精确召回曲线下面积）0.69，显著优于单独CHARGE-AF评分（AUC 0.75）。

引人注目的是，仅使用ECG信号的模型在模拟电子病历数据缺失时仍保持AUC 0.83，展现了技术鲁棒性。

外部验证结果

模型在美国郊区队列中AUC稳定在0.90，AUPRC 0.67；在希腊医院队列中虽样本量较小（n=306），但AUPRC达0.78，PPV（阳性预测值）提升至0.66。

亚组分析揭示，模型在女性（AUC 0.89）、50-60岁人群（AUC 0.88）及美洲原住民（AUC 0.95）中表现尤为突出。

CHARGE-AF评分分布

深入分析发现，欧洲队列中CHARGE-AF评分区分度异常高（KS检验p=3.19×10^-10），这解释了为何在该队列中临床评分与AI模型性能差距缩小。

这项研究通过多维度验证证实，AI-ECG技术能从窦性心律中捕捉到传统方法无法识别的AF特征信号。其临床意义在于：1）为资源匮乏地区提供了仅需ECG设备的筛查方案；2）AUPRC等指标的选择为不平衡数据集研究树立了方法论典范；3）发现过去医疗史特征（糖尿病、心梗等）对模型提升贡献最大，为机制研究指明方向。正如作者强调，未来需前瞻性验证该模型，而目前工作已为AI在心血管领域的转化应用提供了重要范本。