AI-ECG 房颤风险分层：真实世界表现与可解释性

《JACC: Advances》：AI-ECG Risk Stratification for Atrial Fibrillation: Real-World Performance and Explainability

　　

背景：人工智能心电图（AI-ECG）已成为一种从窦性心律中识别房颤（AF）的潜在方法。然而，其在常规临床实践中的实用性和可解释性仍不确定。目的：本研究旨在评估一个AI集成心电图系统在真实世界多中心队列中进行房颤风险分层的表现和可解释性。方法：研究人员招募了665名年龄≥40岁的患者，这些患者使用AI心电图机（FCP-9900）进行了12导联心电图检查。该设备自动将房颤风险分为4个等级（低、中低、中高、高）。研究人员使用临床和心电图衍生变量开发了机器学习模型——支持向量机（SVM）、自适应提升（AdaBoost）和人工神经网络（ANN）。内部验证采用分层10折交叉验证，外部验证使用独立队列。通过SHapley Additive exPlanations（SHAP）评估特征贡献。结果：房颤患病率随AI-ECG风险等级增加而升高，中高和高风险组相比低风险组的比值比显著更高。模型2（纳入CHADS₂和CHA₂DS₂-VASc评分）在内部和外部验证中均表现出强大的区分能力（SVM的AUC为1.00；AdaBoost为0.97-0.98；ANN为0.89-0.95），优于单独的AI-ECG（受试者工作特征曲线下面积：0.64-0.69）。SHAP分析显示CHA₂DS₂-VASc是最具影响力的预测因子，而AI-ECG仅提供适度的增量价值。结论：AI-ECG可通过单次窦性心律心电图提供快速、低成本的房颤风险估计；然而，其预测表现相对于临床评分较为适中。目前，AI-ECG可补充但不能替代传统的风险分层。

**研究背景与问题**
房颤（AF）是最常见的持续性心律失常，显著增加卒中、心力衰竭和死亡风险。由于AF常无症状且呈阵发性，大量病例在常规临床中未被诊断。识别潜伏或既往未识别的AF是重要临床挑战，尤其在缺乏长期心律监测的条件下。人工智能心电图（AI-ECG）作为一种从窦性心律（SR）标准12导联心电图中检测潜在心血管疾病的新兴方法，已显示出前景。然而，现有证据多来自算法开发或受控研究环境，其在常规临床实践中的表现尚不充分。此外，商业AI-ECG系统在日常工作流程中的临床性能证据有限，且AI-ECG能否在已广泛可用的临床风险评分（如CHA₂DS₂-VASc）基础上提供有意义的增量信息仍不确定。同时，多数既往研究强调算法性能指标，而未关注可解释性，这对临床采纳和信任至关重要。因此，本研究旨在评估一个商业部署的AI-ECG系统在真实世界多中心队列中进行房颤风险分层的表现和可解释性。

**研究内容与结论**
研究人员开展了一项多中心横断面研究，纳入日本两家心血管机构（Fujita Health University Bantane Hospital和Gifu Heart Center）的665名年龄≥40岁、处于窦性心律的门诊患者，使用FCP-9900设备采集标准10秒12导联心电图。AI算法自动将房颤风险分为低、中低、中高、高4个等级。研究人员基于31个基线特征（模型1）以及加入CHADS₂和CHA₂DS₂-VASc评分（模型2）建立了三种机器学习分类器（SVM、AdaBoost、ANN），并进行内部和外部验证，通过SHAP分析评估特征贡献。
结论：AI-ECG风险等级越高，房颤患病率越高，但中高组（而非高组）在多变量调整后仍独立相关。单独AI-ECG的区分能力适中（AUC 0.64-0.69），而加入临床评分的模型2性能显著提升（SVM AUC 1.00，AdaBoost AUC 0.97-0.98，ANN AUC 0.89-0.95），且模型2与模型3（排除AI-ECG输出）性能无差异。SHAP分析显示CHA₂DS₂-VASc是最具影响力的预测因子，AI-ECG贡献有限，净重分类改善（NRI）仅为0.007（P=0.92）。
重要意义：AI-ECG提供了快速、低负担的房颤风险分层工具，可作为传统临床评分的补充，但不能替代。论文发表在《JACC: Advances》。

**关键技术与方法**（不超过250字）
1. **研究队列**：来源于日本两家心血管中心（Fujita Health University Bantane Hospital和Gifu Heart Center）的665名门诊患者，年龄≥40岁。
2. **AI-ECG设备**：使用商业FCP-9900心电图机，集成轻量级卷积神经网络，处理1秒平均波形并转换为二进制图像，实时输出4级房颤风险（低、中低、中高、高）。
3. **机器学习模型**：构建三种分类器——线性核支持向量机（SVM）、自适应提升（AdaBoost，基于决策树）、全连接人工神经网络（ANN），使用31或33个特征（包括临床变量和心电图变量）。
4. **验证与解释**：内部验证采用分层10折交叉验证（Gifu Heart Center队列），外部验证使用独立队列（Fujita Health University Bantane Hospital）。通过SHAP（SHapley Additive exPlanations）量化每个特征的贡献，并计算方差膨胀因子（VIF）评估多重共线性。

**研究结果**
**患者特征**
从2024年1月至2025年3月，共836名患者被筛选，排除171名（如年龄<40岁、起搏心律、既往消融等），最终纳入665名。平均年龄68.5±12.2岁，女性占42.8%。AF总患病率20.6%（137/665）。AI-ECG风险分类：低229例（34.4%）、中低184例（27.7%）、中高111例（16.7%）、高141例（21.2%）。随着风险等级升高，患者年龄、心力衰竭患病率、CHADS₂和CHA₂DS₂-VASc评分、NT-proBNP水平、左房内径等均显著增加，而eGFR降低。AF患病率从低组的10.5%升至中高组的28.8%和高组的34.8%，与低组相比，中高组的未调整OR为2.48（95% CI: 1.41-4.36），高组为3.51（95% CI: 2.12-5.91）。但多变量调整后，仅中高组保持独立关联（OR 2.88，P=0.03）。

**模型表现**
内部验证中，模型1（仅基线特征）的区分能力适中（SVM AUC 0.66，AdaBoost 0.57，ANN 0.58）。模型2（加入CHADS₂和CHA₂DS₂-VASc）表现优异：SVM准确率100%（AUC 1.00），AdaBoost准确率93.9%（AUC 0.97），ANN准确率90.2%（AUC 0.94）。模型3（排除AI-ECG输出）与模型2结果相似。单独AI-ECG的AUC为0.64，CHA₂DS₂-VASc为0.71，CHADS₂为0.54。
外部验证中，模型2表现稳定：SVM AUC 1.00，AdaBoost AUC 0.98，ANN AUC 0.91；模型3与之相当。模型1的AUC为0.62-0.65。VIF分析显示CHADS₂（VIF=15.5）和CHA₂DS₂-VASc（VIF=9.9）存在显著多重共线性。

**可解释性分析**
模型1的SHAP分析显示，无单一主导预测因子，QTc间期和QRS时限相对重要，AI-ECG贡献中等（SVM：0.66；AdaBoost：0.59；ANN：0.06）。模型2中，CHA₂DS₂-VASc成为压倒性主导特征（SVM SHAP=9.02，AdaBoost=9.86，ANN=0.31），而AI-ECG贡献显著降低（SVM SHAP=0.25，AdaBoost=0.33，ANN=0.02）。NRI分析显示AI-ECG的增量价值极小（NRI=0.007，P=0.92）。

**讨论与结论**
**讨论**：本研究首次在真实世界多中心实践中验证了AI-ECG系统对房颤风险分层的表现。AI-ECG风险等级与AF患病率呈梯度相关，但仅中高组在多变量调整后保持独立，可能因高风险组合并症负担较高。AI-ECG单独使用时区分能力中等，而CHA₂DS₂-VASc评分在所有模型中始终是主导预测因子，这与既往研究一致，表明传统临床风险评分在AF风险预测中仍居核心地位。AI-ECG可作为识别需进一步心律监测个体的实用工具，尤其在初级保健或社区环境中，但无法替代传统评估。
**研究局限性**：横断面设计无法建立因果关系；研究人群限于日本两家专科中心，普遍性有限；AF诊断基于临床记录，未行统一长期心律监测，可能遗漏阵发性或亚临床AF；未测量的混杂因素（如左房大小、利尿钠肽水平）可能影响结果；SVM在模型2中达到完美AUC，可能与多重共线性和谱偏倚有关，需谨慎解读；AI-ECG算法未在其他地域或种族人群中验证。
**结论**：在这个多中心真实世界研究中，AI集成心电图系统可通过单次窦性心律心电图实现有效的房颤风险分层。尽管较高的AI-ECG风险等级与房颤患病率相关，但其预测贡献相对于传统临床因素较为适中。可解释性分析表明，CHA₂DS₂-VASc评分仍是房颤风险的主要决定因素，而AI-ECG评分仅提供有限的增量价值。这些发现表明，AI-ECG可作为识别需进一步心律评估患者的实用辅助工具，而既定临床风险因素仍主导房颤预测。需要前瞻性研究来确定其在房颤发生中的预后作用。