
-
生物通官微
陪你抓住生命科技
跳动的脉搏
综述:人工智能在心电图解读中的应用——用于心血管疾病诊断与风险预测:截至2026年5月的系统性证据回顾
《BMC Cardiovascular Disorders》:Artificial intelligence in electrocardiogram interpretation for cardiovascular diagnosis and risk prediction: a systematic review of evidence through May 2026
【字体: 大 中 小 】 时间:2026年08月29日 来源:BMC Cardiovascular Disorders 3.1
编辑推荐:
摘要背景基于人工智能的心电图(ECG)分析已在心血管疾病的诊断、监测和风险预测方面得到广泛应用,但已发表的研究在方法学、验证方法和临床适用性方面存在差异。我们系统地回顾了截至2026年5月的人工智能在心电图解读中的应用,以总结现有的研究证据。方法本系统评价遵循了PRISMA 20
基于人工智能的心电图(ECG)分析已在心血管疾病的诊断、监测和风险预测方面得到广泛应用,但已发表的研究在方法学、验证方法和临床适用性方面存在差异。我们系统地回顾了截至2026年5月的人工智能在心电图解读中的应用,以总结现有的研究证据。
本系统评价遵循了PRISMA 2020指南。我们在PubMed和Cochrane图书馆中搜索了从数据库建立至今直至2026年5月的原始人类研究,这些研究评估了人工智能、机器学习或深度学习在基于心电图的心血管疾病检测、分类、诊断、监测或风险预测中的应用。使用PROBAST工具对研究偏倚风险进行了评估。由于研究人群、心电图采集方式、模型架构、验证策略以及报告结果存在较大异质性,因此对研究结果进行了归纳性总结。
共纳入了108项研究。心律失常检测,尤其是心房颤动(AF),是成熟度最高且被评估最频繁的应用领域。基于基准的研究通常报告了较高的性能表现,而较大规模的临床队列和经过外部验证的研究则通常显示出较为稳健但更具临床可信性的结果。最常见的方法学局限性集中在分析环节,包括外部验证不足、过拟合风险、训练集与测试集划分不明确、类别不平衡以及校准和鲁棒性报告不完整等问题。
基于人工智能的心电图解读在心律失常检测和自动化心电图分类方面得到了最为有力的支持,而结构性疾病筛查和预后建模虽然具有潜力,但目前仍处于发展阶段。未来的研究应优先考虑前瞻性、多中心设计,采用外部验证方法,并将研究成果整合到实际工作流程中,同时强调透明报告、校准评估、成本效益分析以及对不同人群的公平评估。
基于人工智能的心电图(ECG)分析已在心血管疾病的诊断、监测和风险预测方面得到广泛应用,但已发表的研究在方法学、验证方法和临床适用性方面存在差异。我们系统地回顾了截至2026年5月的人工智能在心电图解读中的应用,以总结现有的研究证据。
本系统评价遵循了PRISMA 2020指南。我们在PubMed和Cochrane图书馆中搜索了从数据库建立至今直至2026年5月的原始人类研究,这些研究评估了人工智能、机器学习或深度学习在基于心电图的心血管疾病检测、分类、诊断、监测或风险预测中的应用。使用PROBAST工具对研究偏倚风险进行了评估。由于研究人群、心电图采集方式、模型架构、验证策略以及报告结果存在较大异质性,因此对研究结果进行了归纳性总结。
共纳入了108项研究。心律失常检测,尤其是心房颤动(AF),是成熟度最高且被评估最频繁的应用领域。基于基准的研究通常报告了较高的性能表现,而较大规模的临床队列和经过外部验证的研究则通常显示出较为稳健但更具临床可信性的结果。最常见的方法学局限性集中在分析环节,包括外部验证不足、过拟合风险、训练集与测试集划分不明确、类别不平衡以及校准和鲁棒性报告不完整等问题。
基于人工智能的心电图解读在心律失常检测和自动化心电图分类方面得到了最为有力的支持,而结构性疾病筛查和预后建模虽然具有潜力,但目前仍处于发展阶段。未来的研究应优先考虑前瞻性、多中心设计,采用外部验证方法,并将研究成果整合到实际工作流程中,同时强调透明报告、校准评估、成本效益分析以及对不同人群的公平评估。