基于12导联心电图与深度学习的非心脏手术心血管事件风险预测：一种可解释性人工智能方法

本研究创新性地将术前12导联心电图（ECG）波形与34项临床变量通过深度学习融合建模，显著提升非心脏手术主要心血管不良事件（MACE）的预测效能。相比传统修订心脏风险指数（RCRI），多模态模型（AUROC=0.858-0.899）展现出更优的区分度，并通过反事实分析揭示QRS波时限延长、低电压复合波和ST段压低等关键电生理特征，为围术期风险分层提供自动化、可解释的决策支持。

　　

研究亮点

研究设计

本回顾性观察研究从开放获取的MIMIC-IV数据库（版本2.2）提取数据，涵盖2008-2019年间贝斯以色列女执事医疗中心（BIDMC）431,231次住院记录的299,712例患者（图1）。本研究经BIDMC机构审查委员会审查获豁免审批资格。

纳入标准

我们通过国际疾病分类（ICD）程序编码筛选接受重大非心脏手术的成年患者。

受试者特征

研究纳入37,081例接受非心脏手术的成年患者，平均年龄64岁（范围18-91岁；49.4%为男性）。合并症较为常见，包括缺血性心脏病、需胰岛素治疗的糖尿病及肌酐升高（表1）。约三分之一手术为高风险腹腔内、胸腔内或腹股沟上血管手术及其组合。

模型性能与交叉验证

多模态融合模型在所有三种结局指标中均展现卓越性能。

讨论

基于大型公开围术期数据集，我们开发了通过常规12导联心电图（ECG）预测心血管风险的深度学习算法。纯波形卷积模型（仅基于术前ECG信号训练）在三种预设结局（术后心肌梗死MI、院内死亡率IHM及卒中/MI/30天死亡率复合结局）上均超越RCRI评分。在同一数据集和训练范式下，波形模型也超越了既往最先进的基于CNN的ECG预测模型。

结论

融合术前ECG波形与常规临床数据的多模态深度学习模型，较修订心脏风险指数（RCRI）能更准确预测主要心血管不良事件。这种全自动化方法提供可解释的个体化洞察，有望改善围术期风险分层。