《Frontiers in Cardiovascular Medicine》:Translational maturity of artificial intelligence-enabled electrocardiography varies across cardiovascular diseases
心电图(electrocardiography, ECG)是一种广泛可及且低成本的心血管检查,人工智能赋能心电图(artificial intelligence-enabled electrocardiography, AI-ECG)可识别超出传统判读的潜在电学表型。然而,高回顾性区分度并不必然转化为临床可靠或可操作的获益。该关键叙述性综述评估AI-ECG在心律失常、急性心肌梗死(acute myocardial infarction, AMI)、心力衰竭(heart failure, HF)、瓣膜性心脏病(valvular heart disease, VHD)、肥厚型心肌病(hypertrophic cardiomyopathy, HCM)和心脏淀粉样变性(cardiac amyloidosis, CA)中的转化成熟度。检索PubMed、IEEE Xplore和Web of Science,时间范围为2022年1月1日至2026年7月10日,并通过回溯引文追踪补充早期里程碑研究。77篇出版物为该综述提供依据。采用五项临床导向标准评价证据:预期用途、参考标准可靠性、外部验证与可迁移性(transportability)、临床可操作性和对工作流程或患者结局的影响。AI-ECG在ST段抬高型心肌梗死(ST-segment elevation myocardial infarction, STEMI)分诊和左心室射血分数降低(reduced left ventricular ejection fraction, reduced-LVEF)筛查中进展最远,前瞻性或随机研究已显示工作流程或诊断产出获益;而急性心肌梗死排除已达到前瞻性多中心诊断验证。肥厚型心肌病筛查也已通过国际验证和前瞻性实施取得进展。相比之下,闭塞性心肌梗死(occlusion myocardial infarction, OMI)检测、隐匿性或未来心房颤动(atrial fibrillation, AF)预测、瓣膜性心脏病、射血分数保留的心力衰竭(heart failure with preserved ejection fraction, HFpEF)、长期心力衰竭预测和心脏淀粉样变性仍主要处于验证阶段或风险富集应用。跨领域看,更广泛采用受到标签质量、校准、可迁移性、操作阈值选择以及有限患者结局证据的限制。因此,AI-ECG最适合定位为临床医生监督下的决策支持,并链接到明确的下游检测和诊疗路径。
1 引言
心血管疾病(cardiovascular diseases, CVD)仍是全球死亡首因。心电图(electrocardiogram, ECG)无创、低成本且普及,但传统判读依赖临床经验,存在观察者间变异;长程监测人工分析负担大,并可能遗漏阵发性心房颤动(paroxysmal atrial fibrillation, PAF)和亚临床左心室收缩功能障碍等隐匿表型。人工智能赋能心电图(artificial intelligence-enabled electrocardiography, AI-ECG)尤其是深度学习(deep learning, DL)可端到端学习原始波形、图像和多导联空间表征,识别超出常规判读的潜在电生理模式。然而,回顾性高区分度不等于临床效用,模型可能利用人口学、合并症、采集设备、滤波、机构实践或标签生成等捷径。该综述以预期用途、参考标准、外部验证/可迁移性、临床可操作性和工作流程/患者结局五项标准,跨应用比较转化成熟度。
2 文献检索与证据选择
2.1 检索范围与证据识别
检索PubMed、IEEE Xplore和Web of Science,时间2022年1月1日至2026年7月10日,并通过回溯引文追踪纳入早期里程碑研究。检索概念包括人工智能方法、ECG数据和心血管疾病/临床应用,共77篇出版物纳入。早期基础文献用于ECG生理、传统机器学习、AF预测、心肌梗死(myocardial infarction, MI)定位、心室功能障碍筛查、VHD和HCM等背景。
2.2 证据选择与叙述性评价
按标题和摘要初筛,必要时全文评估。纳入将人工智能、机器学习或DL应用于ECG信号、图像、动态记录、可穿戴ECG或ECG衍生表征,并针对临床相关检测、分类、筛查、诊断分诊、预后或决策支持的研究。ECG-only和以ECG为实质输入的多模态研究均考虑。优先评估具有患者层面数据分离、独立/国际验证、多中心、前瞻性实施、受控工作流程评估、临床相关操作阈值或患者层面结局的研究。因研究异质性大,采用叙述性综合,未进行定量meta分析或正式偏倚风险评估;转化成熟度按最强证据类型解释为叙述性框架而非量化分级。
3 ECG数据基础、分割与时间标准化
3.1 ECG的生理与空间基础
ECG记录心肌细胞跨膜离子流产生的体表电位,标准12导联(I、II、III、aVR、aVL、aVF、V
1–V
6)提供心脏电活动的空间投影。肢体导联主要反映额面,胸前导联反映水平面;Einthoven定律和Frank向量心电图框架说明导联并非彼此独立的时间序列。P波、QRS复合波、T波及PR间期、ST段、QT间期等形态和间期信息,是AI-ECG表征学习的生理基础。
3.2 ECG分割与时间对齐
窗级分割适合节律动态、长程风险预测和动态心电图事件检测;心搏级分割适合以局部形态为主要诊断依据的任务。多数心搏级方法忽视相邻心搏时间依赖和RR间期动态,因此有研究联合时空特征。采样频率差异可导致时间缩放和形态失真;物理时间一致性原则和重采样可减少异质性采样率带来的伪影,促使模型学习更具生理意义的形态。
4 AI-ECG中的任务导向表征学习
4.1 手工ECG特征作为可解释基线
传统机器学习利用波形振幅、时限、电轴、间期和ST–T偏移等既定ECG特征,具有可解释性,并可提供超出单一诊断标准的增量信息。但可解释性本身不证明临床效用,仍需在明确诊断或筛查路径中验证增量价值。
4.2 形态学、时间、空间和多模态ECG表征
卷积神经网络(convolutional neural network, CNN)等形态学模型捕捉P波、QRS复合波和ST–T局部模式,可对应心房重构、心肌缺血、传导异常或心肌重构,但这些特征未必疾病特异,输出通常应支持筛查或诊断分诊而非自主诊断。长短期记忆网络(long short-term memory, LSTM)、时间卷积网络和Transformer可捕捉RR间期动态和节律转换,适用于PAF检测、动态心电图和可穿戴监测。图神经网络和导联注意力可建模导联间关系,但学习到的导联关系不应自动解释为解剖机制。多模态模型整合ECG与影像、临床报告、电子健康记录、生物标志物或纵向结局,但应比较ECG-only、非ECG-only与整合模型,以判断ECG表征是否提供增量信息。架构选择应基于电生理基础、ECG格式、预期临床用途和下游行动,而非架构新颖性。
5 AI-ECG在心血管疾病中的临床应用
5.1 心律失常检测与预测
AI-ECG心律失常应用包括分类记录中现有节律、识别窦性心律ECG中可能需延长AF监测的患者、识别共存节律或传导异常。AF检测技术较成熟,但从窦性心律预测隐匿/未来AF仍属风险富集。有研究显示DL可从窦性心律ECG识别PAF风险,但参考标准依赖后续临床AF检出,未诊断AF和监测强度差异影响标签有效性,尚需前瞻性证据证明减少卒中或血栓栓塞。图卷积网络(graph convolutional network, GCN)和多标签分类在基准数据集上表现好,但多依赖公共数据集和交叉验证,向急诊、动态设备、可穿戴单导联、噪声、起搏心律和重叠疾病的外部验证仍不足。
5.2 急性心肌梗死与以闭塞为中心的分诊
ECG是疑似急性心肌梗死(acute myocardial infarction, AMI)一线工具。ST段抬高型心肌梗死(ST-segment elevation myocardial infarction, STEMI)分诊中,AI-ECG辅助可缩短门-球时间和ECG-球时间。前瞻性多中心ROMIAE研究显示,仅用初始12导联ECG的ResNet模型在低风险阈值达到99.6%敏感度和99.1%阴性预测值,支持AMI快速排除分诊。闭塞性心肌梗死(occlusion myocardial infarction, OMI)框架以造影证实闭塞或血流限制性罪犯病变为参考,DL模型显示较高曲线下面积(area under the curve, AUC),但多数证据仍为外部诊断验证,尚缺乏前瞻性干预是否改善再灌注决策且不增加不必要导管室激活的证据。
5.3 心力衰竭筛查与风险分层
该领域任务包括HF分期、左心室射血分数(left ventricular ejection fraction, LVEF)降低或射血分数降低的心力衰竭(heart failure with reduced ejection fraction, HFrEF)筛查、射血分数保留的心力衰竭(heart failure with preserved ejection fraction, HFpEF)识别、未来HF预测和指导确认性检测。LVEF降低筛查有较明确下游行动,即超声心动图确认。外部队列和前瞻性研究支持其作为筛查/风险富集工具,但高特异阈值下敏感度可能低。HFrEF检测可提示超声心动图和治疗评估;HFpEF因无单一确诊标准,主要提供风险富集。长期HF预测和多模态模型仍不成熟,部分增益来自非ECG预测因子。随机对照研究显示AI-ECG警报可提高非心内科住院患者LVEF降低的新诊断率、超声心动图阳性预测值和心内科会诊,而不增加总体超声使用,是该领域最成熟的工作流程证据。
5.4 瓣膜性心脏病筛查
AI-ECG最适合在瓣膜性心脏病(valvular heart disease, VHD)风险人群中优先安排确认性超声心动图,而非替代超声。多数研究以经胸超声心动图(transthoracic echocardiography, TTE)定义中重度VHD为参考标准。主动脉瓣狭窄(aortic stenosis, AS)和二尖瓣反流(mitral regurgitation, MR)研究较多。外部队列显示对AS、主动脉瓣反流(aortic regurgitation, AR)、MR、三尖瓣反流(tricuspid regurgitation, TR)等有一定区分度和高阴性预测值,可支持排除和转诊,但阳性预测值依赖患病率,缺乏前瞻性工作流程证据。生存神经网络可用于预测未来显著反流,但仍属验证阶段。
5.5 肥厚型心肌病筛查
肥厚型心肌病(hypertrophic cardiomyopathy, HCM)常被漏诊,需影像确认,适合机会性筛查。早期单中心CNN显示高AUC,后续国际外部验证和ECG图像模型提高可迁移性。联邦学习显示单中心优异模型跨机构可能退化,提示外部验证必要性。可解释性方面,梯度加权类激活映射将判别区域定位到V
4–V
5等,但热图不能完全解释电生理驱动因素。前瞻性多中心实施研究显示AI-ECG警报可行并加速诊断影像,但尚无证据表明改善长期结局、级联筛查、治疗分配或猝死预防。
5.6 心脏淀粉样变性筛查
心脏淀粉样变性(cardiac amyloidosis, CA)常规ECG不敏感且与HCM、高血压性心脏病和HFpEF重叠,因此AI-ECG预期用途是为不明原因左心室肥厚、HF或转甲状腺素蛋白淀粉样变性(transthyretin amyloidosis, ATTR)红旗患者提供转诊支持,而非自主确诊。研究采用心电图成像、12导联LVH-Net、CNN和多模态模型,显示一定区分度,但队列小、单中心/转诊系统、族裔和设备可迁移性有限,ECG-only前瞻性工作流程证据缺乏。阳性预测应触发结构化临床复核及超声、心脏磁共振(cardiac magnetic resonance, CMR)、单克隆蛋白检测、骨闪烁显像或活检等亚型导向确认。
6 讨论
6.1 跨应用转化成熟度
转化成熟度更多取决于可信参考标准、明确下游行动和可测量工作流程/临床终点,而非峰值区分度。最成熟为STEMI分诊和LVEF降低筛查;AMI排除达到前瞻性多中心诊断验证;HCM筛查经国际验证和前瞻性实施。OMI、隐匿/未来AF预测、VHD、HFpEF、长期HF预测和CA仍主要为验证阶段或风险富集应用。
6.2 预期用途与参考标准可靠性
预期用途决定模型开发与评价,因为筛查、诊断分诊、风险分层、监测和工作流程优先级的错误成本不同。专家判读节律标签较强;未来AF标签依赖监测强度和后续检出;AMI以系列生物标志物和临床裁定较强;OMI以造影闭塞更贴近再灌注决策;LVEF较客观;VHD依赖超声分级;HCM需指南标准并排除拟表型;HFpEF为复合标准;CA需活检/闪烁显像/亚型标准。患者层面数据分离是可信评价最低要求。
6.3 外部验证、前瞻性评估与泛化性
外部验证测试固定模型在独立环境的可迁移性,前瞻性验证测试预设模型在新收集数据中的表现,两者不同。随机内部拆分不能建立泛化性。验证层级包括患者层面内部测试、时间验证、独立机构、多中心、跨国/人群/设备/采集格式,并应报告临床相关亚组。公共心律失常基准可能低估噪声、起搏、共病和可穿戴伪影。
6.4 从区分度到临床可操作性
AUROC不描述校准、预测值、诊断产出、下游工作量和错误后果。低患病率筛查中,阳性预测值决定警报中有多少真病,阴性预测值决定排除安全性,均依赖患病率。操作阈值应反映任务特异错误成本。输出应链接到明确行动路径,否则易致警报疲劳或重复检测。多模态模型需比较ECG-only、非ECG-only和整合模型。
6.5 工作流程整合与患者结局
仅少数应用超越外部验证:随机评价显示STEMI分诊和LVEF降低筛查有工作流程获益,前瞻性HCM实施显示可行性但未证明长期结局。工作流程结局包括诊断/治疗时间、医生负担、警报接受度和检测利用;决策结局包括转诊、确认检测、治疗启动和诊断信心;患者结局包括住院、死亡、卒中预防、生活质量和成本效果。实施可能因警报接受和随访有限而不完整。
6.6 生理保真度、可解释性与临床医生监督
生理保真度连接工程可靠性与临床安全。去噪、固定心搏窗口、重采样和滤波可能改变诊断相关波形。部署需考虑运动伪影、基线漂移、电极接触不良、导联反接/错位、信号削波和导联缺失。排除不可分析ECG可能高估性能。可解释性应超越热图,评估其对错误检测和临床决策的贡献;有用标准包括可重复性、扰动稳定性、生理合理性和临床医生评估。AI-ECG通常应保持临床医生监督,尤其高风险分诊和罕见病筛查。
6.7 伦理、公平与问责
AI-ECG伦理部署需关注隐私、偏倚、问责和获益/风险分布。训练数据不足、标签反映确认检测可及性不平等,均可导致亚组失败。外部和前瞻性研究应报告人口学和临床亚组表现与校准。问责应明确模型开发者、医疗机构和临床医生责任,输出应可追溯、可审计并接受临床监督。公平实施还需考虑数字基础设施、专有ECG格式和下游检测可及性。
6.8 标准化、治理与未来优先事项
未来优先事项包括可信证据、可迁移性和生命周期治理。标准化ECG格式和透明预处理可减少变异;患者层面分离、预设阈值、校准、预测值和亚组分析是可信度核心。可迁移性需跨机构、设备、人群和时间验证;联邦学习可支持多国开发但外部验证仍必要。安全实施需前瞻性评估和治理,包括监管、数据保护、网络安全、审计、部署后监测和模型更新。不同应用下一步不同:OMI需前瞻性干预试验;隐匿/未来AF需随机监测研究;VHD、HFpEF和CA需前瞻性设备多样化研究;LVEF和HCM应转向治疗相关、患者结局和成本效果终点。
6.9 本综述的局限性
AI-ECG发展迅速,证据基础可能变化;不同疾病领域研究数量和质量差异限制直接比较;研究终点、阈值、验证设计和指标异质,定量比较需谨慎;商业和真实世界系统信息常不完整。本综述为批判性叙述性综述,未进行定量meta分析或正式偏倚风险评估,结论应视为结构化叙述综合而非量化排名。发表偏倚可能高估成熟度,未系统检索灰色文献、试验注册和未发表研究,筛选未独立双人重复。
7 结论
AI-ECG临床价值更多取决于预期用途、参考标准有效性、可迁移性、可操作性和路径内获益,而非峰值区分度。STEMI再灌注分诊和LVEF降低筛查进展最远;AMI排除达前瞻性多中心诊断验证;HCM筛查经国际验证和前瞻性实施。OMI决策支持有诊断前景但缺乏前瞻性干预和患者结局证据。隐匿/未来AF、VHD、HFpEF、长期HF风险和CA仍主要为风险富集、提高怀疑或转诊支持。未来需临床对齐参考标准、患者层面数据分离、校准、预测值、预设阈值和亚组表现,并跨机构/人群/设备/时间验证,嵌入明确路径和临床监督。AI-ECG应理解为扩展ECG信息产出的辅助层。