运动员赛前筛查中AI心电图模型的开发与外部验证：性能、局限性及临床意义

《International Journal of Cardiology》：Development and external validation of AI-ECG models in athlete pre-participation screening: Performance, limitations, and clinical implications

　　摘要
背景：竞技运动员赛前筛查旨在识别与突发心脏死亡相关的心血管疾病。尽管12导联心电图是赛前筛查的核心手段，但结构性异常在心电图上的表现可能有限或不完整，尤其是在存在生理性重构的无症状运动员中。基于人工智能的心电图模型在医院环境中的表现较为理想，但其能否应用于发病率较低的运动员筛查场景仍不确定。

目的：开发一种基于深度学习的AI心电图集成模型，并通过外部验证，用于检测接受赛前筛查的竞技运动员中经影像学确认的结构性心脏病。

方法：使用来自美国波士顿贝斯以色列女执事医疗中心的医院心电图数据训练卷积神经网络集成模型，并在意大利运动员心脏评估与人工智能风险预测登记处进行外部验证。分别针对瓣膜性心脏病和心肌病开发独立的卷积神经网络，再通过XGBoost元学习技术将二者整合。模型性能通过接收者操作特征曲线下面积、亚组分析及阈值评估来判定。

结果：ITACARD-AI研究组共包含1115名竞技运动员（平均年龄26±13岁，70%为男性），其中48人患有瓣膜性心脏病（4.3%），30人患有心肌病（2.7%）。与医院内部验证相比，外部验证时模型性能显著下降：瓣膜性心脏病的AUROC值降至0.70（95%置信区间为0.64–0.75），心肌病的AUROC值降至0.69（95%置信区间为0.60–0.78），表明该筛查群体中模型的区分能力较弱。阈值分析显示负预测值较高（约99%），但正预测值持续较低（≤8%），反映出疾病检出率低且受人群患病率影响显著。

结论：在医院环境中训练的人工智能心电图模型在现实世界的运动员筛查群体中的应用效果有限。外部环境下模型性能的显著下降表明，较低的疾病发病率、多样的生理性重构以及结构性异常在心电图上的表现不完整，都可能大幅降低赛前筛查中的分类能力。虽然人工智能心电图可在医生主导的诊疗流程中作为辅助工具，但这些研究结果凸显了将基于心电图的人工智能技术应用于发病率较低的运动员心脏疾病筛查领域所面临的固有挑战。