基于人工智能的心电图生物标志物整合用于2型糖尿病合并症患者心脏风险评估及分层研究

这篇综述创新性地将人工智能（AI）与心电图（ECG）生物标志物（如QTc、QTd、QRS-Axis）结合，系统评估了2型糖尿病（T2DM）合并高血压（HT）和心血管疾病（CVD）患者的心脏风险。研究通过支持向量机（SVM）模型分析581例患者的10秒与5分钟ECG数据，发现抗高血压药和降脂药显著影响QRS轴和PQ间期，而抗抑郁药与QTd离散度相关（p=0.010）。5分钟ECG联合用药数据分类准确率最高（~0.88），为糖尿病心脏并发症的早期筛查提供了非侵入性解决方案。

　　

引言

2型糖尿病（T2DM）的全球患病率持续攀升，其与高血压（HT）和心血管疾病（CVD）的共病现象加剧了临床管理的复杂性。传统筛查依赖血糖和HbA1_c，但约59%的糖尿病患者未被及时诊断。心电图（ECG）作为非侵入性工具，可反映糖尿病相关心脏电重构，如QTc延长、QT离散度（QTd）增加等，为早期风险分层提供了新思路。

材料与方法

研究纳入澳大利亚查尔斯特大学DiabHealth项目的581例参与者，分为健康、糖尿病前期和T2DM三组，合并HT、CVD或两者。采用GE MAC? 5500 HD记录10秒和5分钟ECG，分析PQ间期、QRS波群、QTc和QTd等参数。通过合成少数类过采样技术（SMOTE）平衡数据后，支持向量机（SVM）模型以5折交叉验证评估分类性能，并通过置换分析确定关键预测因子。

结果

无合并症组：T2DM患者的QTd-10秒和QTd-5分钟显著延长（p<0.001），QRS轴偏移明显。SVM模型准确率达0.91，QRS-Axis-5分钟和QTd-5分钟贡献最大。

高血压组：PQ-10秒和QTd-10秒为顶级特征，抗高血压药物（HT-MedUse）显著影响分类（准确率0.79）。

心血管病组：PQ-5分钟和性别成为主要预测因子，抗脂药（AntiLP-MedUse）与QRS-Axis-5分钟关联显著（准确率0.82）。

共病组：HT-MedUse和QTd-10秒主导模型，但分类准确率降至0.69，反映患者异质性。

ECG动态分析

• •

  健康组：QRS时限最短，QTc正常。

• •

  糖尿病前期组：合并HT或CVD时，PQ间期延长，QTd离散度增加（p<0.05）。

• •

  T2DM组：HT+CVD患者QRS轴左偏，QTc-5分钟延长至430.23毫秒（仍属正常范围），提示潜在心律失常风险。

药物影响

抗高血压药延长PQ间期，降脂药对QRS轴影响显著，而抗抑郁药与QTd离散度相关（p=0.010）。

讨论

研究证实，ECG生物标志物（如QTc、QTd）能有效区分糖尿病状态，尤其适用于资源有限地区。5分钟ECG因捕获更多自主神经波动而表现更优，但10秒ECG仍具筛查价值。药物数据补充了生理指标，但可能引入混杂，需在治疗-na?ve人群中进一步验证。

结论

整合AI的ECG分析为T2DM心脏风险分层提供了高效、低成本工具。未来需探索ECG与连续血糖监测的联合应用，并评估新型降糖药（如SGLT2抑制剂）对电生理的影响。