《npj Digital Medicine》：Performance of the 12-lead ECG in predicting short- and long-term risk of sudden cardiac death
编辑推荐：
本研究探讨如何利用常规12导联心电图（ECG）评估心脏性猝死（SCD）的短期与长期风险。研究人员构建了基于极端梯度提升（XGBoost）的预测模型，并对大规模冠脉造影患者队列（n=17,625）进行验证。结果显示，单纯使用12SL算法导出的单次ECG参数进行预测，其性能（AUC）在0.59-0.68之间。结合临床风险因素，或在短期预测中引入随访期间的ECG变化数据，可有效提升模型区分能力（最高AUC达0.72）。这为利用广泛普及的ECG检查进行SCD风险分层提供了新思路。
心脏性猝死是一个严峻的公共卫生挑战，它常常在毫无预警的情况下夺走生命。尽管医学界已知多种心血管疾病会增加猝死风险，但如何在庞大的人群中精准识别出那些即将“亮起红灯”的高危个体，始终是临床实践中的一大难题。目前，评估心脏性猝死风险通常依赖于一系列复杂检查，如心脏磁共振成像、心脏电生理检查等，这些方法或因成本高昂，或因有创性，难以作为大规模、常规的筛查工具。那么，有没有一种更便捷、更普及的工具，能够帮助我们提前“看见”风险呢？
在众多心脏检查中，12导联心电图（ECG）无疑是最基础、最常用的一种。它操作简便、无创，在各级医疗机构中广泛配备。然而，传统上，ECG主要用于诊断心律失常、心肌缺血等即时性病变，其对于预测未来猝死风险的潜力并未被充分挖掘。这项发表在《npj Digital Medicine》的研究，正是聚焦于这一核心问题：我们能否从这习以为常的、仅持续几十秒的心电波形图中，提取出预测未来数月乃至数年心脏性猝死风险的关键信息？为了回答这个问题，研究团队进行了一项大规模的回顾性分析。
研究人员开展了一项大型回顾性队列研究，核心是利用极端梯度提升（XGBoost）这一机器学习算法，构建并验证基于12导联心电图参数的猝死风险预测模型。他们从美国一家大型医疗机构获取了2007年至2018年间接受过诊断性冠状动脉造影的17,625名高风险心脏病患者的数据，随访直至2022年。研究使用了Marquette 12SL分析软件自动从数字心电图记录中提取的心电图参数。研究设计上，既评估了基于基线心电图的长期风险预测模型，也评估了基于随访期间最后一次心电图记录的短期（近端）风险预测模型。为了验证模型的稳健性和临床实用性，研究团队不仅在原始不平衡的数据集上评估模型表现，还精心构建了基于风险因子（年龄、性别、左心室射血分数等）匹配的病例-对照子集进行平衡验证，以排除已知风险因子的混杂影响。模型开发采用随机80/20划分训练集与验证集。
研究结果
模型预测性能概览
无论是长期预测（基于基线心电图）还是短期预测（基于最后一次心电图），仅使用单次心电图参数构建的模型，在验证集中的预测性能都相对有限。在不平衡的验证集中，两者的受试者工作特征曲线下面积（AUC）均为0.68，意味着模型具有一定的、但非卓越的区分能力。在更严格的、基于风险因子平衡后的验证集中，模型的性能有所下降，长期预测和短期预测的AUC分别为0.59和0.63。这表明，单独使用心电图表征，在匹配掉传统风险因素的影响后，其独立的预测效力较为有限。
临床风险因素的附加价值
当研究人员在模型中纳入关键的临床风险因子（如年龄、性别、糖尿病、吸烟史、左心室射血分数等）后，模型的整体预测效能得到了提升。对于长期和短期预测，在不平衡验证集中的AUC分别提高至0.70和0.71。即使在风险因子平衡的验证集中，长期预测的AUC也提升至0.64，短期预测的AUC为0.62。这一结果清晰地表明，结合传统临床风险评估与心电图特征，能够获得优于单独使用任何一方信息的预测效果，体现了多模态信息整合的价值。
心电图动态变化的预测价值
一个重要的发现是，心电图在随访期间的变化本身蕴含着显著的预测信息。当用于短期（近端）预测时，研究人员不仅考察了最后一次心电图的静态参数，还加入了从基线到末次随访期间心电图参数的变化值。这一策略取得了最佳的整体模型表现，在不平衡验证集中的AUC达到0.72，在平衡验证集中也达到了0.66。这提示，对于即将发生的事件，心脏电活动在近期发生的、可被量化的细微演变，可能是比单一时点的静态特征更强的预警信号。
结论与意义
本研究系统地评估了常规12导联心电图在预测心脏性猝死长、短期风险中的价值。主要结论是：首先，仅从单次心电图提取的自动分析参数，其独立预测猝死风险的能力有限，特别是在控制传统临床风险因素后。其次，整合临床风险因子可有效提升模型的预测性能，这支持了结合常规临床信息与心电图数据进行综合风险评估的策略。最后，也是最具启发性的发现是，心电图特征在随访期间的动态变化，对于预测即将发生的短期风险具有突出的价值，这为利用系列心电图监测来识别风险急速攀升的“临界”患者提供了新思路。
这项研究的意义在于，它并未追求开发一个“黑箱”式的复杂模型，而是立足于临床最普及的检查手段——心电图，深入挖掘其尚未被充分利用的预测潜力。研究结果表明，通过现代的机器学习方法，我们能够从这项百年历史的技术中提取出新的风险信息。虽然模型的绝对性能（AUC 0.59-0.72）表明其尚不足以作为独立的决策工具，但它为在传统风险评估基础上增加一个低成本、可重复的客观量化指标提供了有力证据。这有望在未来辅助临床医生，在庞大的心血管疾病患者群体中，更高效地筛选出需要接受更深入评估或更积极预防性治疗（如植入式心律转复除颤器，ICD）的目标人群，从而推动心脏性猝死的预防走向更精准、更可及的新阶段。
