基于人工智能的心电图分析预测心力衰竭发病风险

背景：基于心电图的人工智能技术可实现心力衰竭（HF）事件风险的高效预测，以促进预防工作。现有模型多为专有技术，准确性有限或表现不一致。本研究旨在开发并验证一个通用且公开可用的卷积神经网络，利用12导联心电图波形预测HF事件（ECG-to-HF [ECG2HF]）。方法：我们在马萨诸塞州总医院（MGH）接受长期门诊照护的94,636名患者中开发ECG2HF模型，并在三个测试集中进行验证：MGH、布莱根妇女医院（BWH）及贝斯以色列女执事医疗中心（BIDMC），共纳入93,868名30至79岁无HF病史的个体。10年内HF事件通过经验证的基于电子健康记录的自然语言处理模型识别。采用受试者工作特征曲线下面积量化区分度。随后比较ECG2HF与包含15项指标的"预防HF汇总队列方程"评分在区分度和净重分类（按<10%、10%-20%、≥20%的10年风险分层）方面的表现。结果：测试集包括MGH（13,954人，441起事件，年龄57±13岁，女性48%）、BWH（54,396人，1,809起事件，年龄57±13岁，女性55%）和BIDMC（25,457人，901起事件，年龄57±13岁，女性53%）。10年间HF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在各测试集中均能有效区分10年HF事件（AUC：MGH 0.86[0.84-0.87]；BWH 0.85[0.84-0.86]；BIDMC 0.84[0.83-0.86]）。与预防HF汇总队列方程相比，ECG2HF在10年HF风险区分度（AUC提升值：MGH/BWH 0.061[0.025-0.097]；BIDMC 0.038[-0.0096-0.086]）和净重分类指数（NRI：MGH/BWH 0.16[0.077-0.24]；BIDMC 0.23[0.10-0.35]）方面表现更优。结论：ECG2HF是一个公开可用的基于12导联心电图的人工智能模型，在美国东北部三个大型医疗样本中展现出优越且一致的未来HF风险区分能力。该模型有助于高效识别高风险个体，为HF相关预防措施提供优先干预依据。