人工智能增强的ECG分析预测新发心力衰竭

背景：基于ECG的人工智能（AI）可能能够有效预测新发心力衰竭（HF）的风险，以促进预防工作。先前的模型为专有模型，准确性中等或不一致。我们试图开发并验证一个通用且公开可用的卷积神经网络，利用12导联ECG波形预测新发HF（心电图至心力衰竭，"ECG2HF"）。方法：我们在马萨诸塞州总医院（MGH）接受纵向门诊护理的94,636名患者中开发了ECG2HF，并在三个测试集中进行了验证：MGH、布莱根妇女医院（BWH）和贝斯以色列女执事医疗中心（BIDMC），共93,868名年龄在30-79岁且无HF的个体。10年内的HF事件通过一个经过验证的基于电子健康记录的自然语言处理模型进行识别。判别力通过受试者工作特征曲线下面积（AUROC）进行量化。然后，我们比较了ECG2HF与包含15个组件的预防心力衰竭汇总队列方程（PCP-HF）评分的判别力和净重分类（在<10%、10-20%、≥20%的10年风险类别中）。结果：测试集包括MGH（13,954人，441例事件，年龄57±13岁，48%女性）、BWH（54,396人，1,809例事件，年龄57±13岁，55%女性）和BIDMC（25,457人，901例事件，年龄57±13岁，53%女性）。在10年内，HF的累积风险在MGH为4.6%（95% CI 4.1-5.0），BWH为5.0%（4.8-5.2），BIDMC为4.4%（4.1-4.7）。ECG2HF在每个测试集中均能判别10年新发HF（MGH AUROC 0.86 [0.84-0.87]；BWH：0.85 [0.84-0.86]；BIDMC 0.84 [0.83-0.86]）。与PCP-HF相比，ECG2HF提供了有利的判别力（MGH/BWH AUROC改善0.061 [0.025-0.097]；BIDMC 0.038 [-0.0096-0.086]），以及10年HF风险的净重分类（MGH/BWH NRI 0.16 [0.077-0.24]；BIDMC 0.23 [0.10-0.35]）。结论：ECG2HF是一个公开可用的基于12导联ECG的AI模型，在美国东北部三个大型医疗保健样本中，以有利且一致的性能判别未来HF风险。ECG2HF可能有助于高效优先考虑高危个体进行HF相关预防措施。