人工智能心电图对心力衰竭患者猝死风险的评估

高学英 刘凡

河北医科大学第二医院心血管内科 石家庄市 050000

心电图临床应用至今已有百余年历史，仍是当今临床最常用、最便捷、最经济、最有效的心脏辅助检查手段。随着21 世纪人工智能（artificial intelligence, AI）的兴起，已证明人工智能心电图可检测人工无法识别的一些心电图特征和不能常规通过心电图诊断的疾病[1-3]，如无症状左心室功能障碍、心房颤动[4-5]的发现及识别、肥厚型心肌病、射血分数保留的心力衰竭[6]等。与传统的基于规则的计算机解读相比，人工智能心电图诊断的准确性和工作效率可能更高。人工智能分析的心电图在医疗创新领域具有巨大的潜能，可能会改变我们对心脏疾病的诊断和治疗方式。

心力衰竭因患病率、死亡率和再住院率高已成为重大的公共健康问题，心源性猝死（sudden cardiac death, SCD）通常由致命性心律失常引起，占心力衰竭患者心血管死亡的50%。虽然植入式心律转复除颤器（implantable cardioverter defibrillators,ICD）被用于降低SCD 风险，但植入过程是侵入性的，并且ICD 患者经历不适当电击比例较高，给患者的身体和心理[7]（如抑郁、焦虑和ICD 相关问题）带来负面影响。此外，SCD 常发生于没有严重左心室功能不全的患者中，目前还没有射血分数＞35%的患者发生SCD 风险的研究数据。因此，评估心力衰竭患者SCD 风险对于临床决策至关重要。

目前SCD 风险的评估方法主要基于左心室射血分数（left ventricular ejection fraction, LVEF）和纽约心脏协会（NYHA）心功能分级，但是有些SCD 经常发生在没有严重左心室功能障碍的患者中，针对LVEF＞35% 患者的SCD 风险分层仍是空缺。Shiraishi 等[8]评估应用12 导联心电图训练的人工智能模型是否能够检测出SCD 风险分类，并改善心衰患者的风险分层，结合卷积神经网络（convolutional neural networks, CNN）和长短期记忆预测SCD 发生率的能力，基于心电图的人工智能（electrocardiography-based AI, ECG-AI）是否能更好地预测SCD，以及将ECG-AI 指数与SCD 的常规预测因子相结合，是否能改善心衰患者的SCD 分层，该研究纳入了东京4 家三级医院2 559 例急性失代偿后成功出院的心力衰竭患者，从各医院的电子病历系统中提取首次住院期间的心电图数据，通过调整LVEF、NYHA 分级和非SCD 竞争风险来评估ECG-AI 指数与SCD 的关系，ECG-AI 指数加上经典预测指南（即LVEF ≤35%，NYHA Ⅱ类和Ⅲ类）显著提高了SCD的鉴别值，人工智能心电图可以从信息丰富但复杂的数据集获得统计模型，由CNN 构建的ECG-AI 模型在检测疾病、预测心功能和估计预后方面，能够检测出SCD 风险分类的重要特征，改善心力衰竭患者的风险分层。此外，与ICD 的常规指征相比，ECG-AI 联合模型对非缺血性病因和无房颤的年轻患者（≤75 岁）SCD 发生率的鉴别明显更好。随着LVEF 的增加，SCD 患者与非SCD 患者的比例稳步下降，ECG-AI 指数对LVEF 为35%～50%的患者的鉴别能力最好。循环神经网络联合CNN 建立一个ECG-AI 模型来预测心力衰竭患者SCD 的发生率，结果显示其良好的表现优于ICD 的常规适应症。由于SCD 的准确风险预测在临床实践中至关重要，这些使用人工智能算法的新方法可能帮助临床医生为决策提供依据，以确保ICD 应用适当。

虽然人工智能心电图目前具有解释、检测多种疾病的能力，但广泛应用于临床仍存在诸多局限性。首先，人工智能心电图筛查的成本效益尚未得到评估[9]，这是其在临床实践中大规模应用的关键。其次，人工智能心电图来源的研究试验模型的均质性、准确性及信息安全性也是不能忽略的潜在挑战。人工智能心电图可作为拟人化的临床ECG 诊断工具，也可广泛用于流行病调查和健康管理。目前人工智能心电图处于起步阶段，但不断增长的临床研究数据决定人工智能工具的附加价值。与任何医疗器械一样，人工智能心电图必须经过审查、验证、临床医生接受培训等诸多环节，才能正确使用。同时与人工智能心电图结合，有望改变临床治疗及护理。未来，期待信息科学领域开发更适用于临床环境的机器学习算法，加强心电数据和其他临床影像信息的收集和管理，共同助力人工智能心电图的进一步推广和应用，心电网络和临床大数据的完善也为 AI技术的开发提供充足的数据基础，有望弥补现有手段的不足。