人工智能增强心电图在心血管诊断与风险预测中的表型选择性研究

【编辑推荐】来自多中心的研究团队通过整合电子健康记录(EHR)和前瞻性队列数据，利用六种图像型AI-ECG模型（包括LVSD、AS、MR、LVH、SHD复合模型及性别对照模型），首次系统评估了AI-ECG模型的表型选择性。研究发现这些针对特定心血管疾病开发的模型，实际能广泛预测多种心血管事件（OR 2.16-4.41，p<10-66），相关系数达0.67-0.96，揭示了AI-ECG作为广谱心血管生物标志物的潜力，为临床决策提供了新视角。

　　

这项开创性研究揭开了人工智能增强心电图(AI-ECG)的神秘面纱。科研团队巧妙设计了六种图像识别模型，包括五个心血管专项检测器——左心室收缩功能障碍(LVSD)、主动脉瓣狭窄(AS)、二尖瓣反流(MR)、左心室肥厚(LVH)和结构性心脏病(SHD)复合模型，外加一个性别判断的"对照组"。通过挖掘23万余人次的心电数据（平均年龄59±18岁，56%为女性），发现这些看似"专一"的AI模型竟像嗅觉灵敏的猎犬，对各类心血管异常都展现出惊人预警能力。

研究采用表型组关联分析(PheWAS)框架，将杂乱的就诊代码转化为可解读的生物特征。逻辑回归显示，所有心血管模型对非目标病症同样敏感，其关联强度甚至超过目标疾病（OR值2.16-4.41），而性别模型则保持"高冷"。更令人称奇的是，不同模型对病症的预测模式高度同步（相关系数0.67-0.96），这种"英雄所见略同"的现象在非心血管模型中完全缺席。

前瞻性分析中，这些AI模型化身为"时光水晶球"，不仅能捕捉现有病症，还可预测未来心血管事件的发生。该发现彻底颠覆了AI-ECG作为单一诊断工具的认知，昭示其作为广谱心血管风险雷达的临床价值，为精准医疗开辟了新航道。