一项发表在《美国医学会杂志》上的新研究表明，一种噪声适应的AI-ECG模型仅使用I导联心电图就能成功估计心力衰竭的风险，这表明了一种潜在的心力衰竭（HF）风险分层策略，可以应用于可穿戴和便携式心电图设备，需要进一步的前瞻性研究。
单导联心电图（ECGs）可以通过便携式设备记录，这可能允许广泛的社区风险评估。因此，为了确定人工智能（AI）系统能否从噪声单导联心电图中预测心力衰竭风险，Lovedeep Dhingra及其同事进行了这项研究。
回顾性队列分析评估了来自UK Biobank、YNHHS和ELSA-Brasil的基线时无心力衰竭的人群，利用门诊心电图数据。数据在2023年9月至2025年2月期间进行评估，主要暴露因素是AI-ECG预测的左心室收缩功能障碍（LVSD）风险。
I导联心电图被分离以模拟可穿戴设备信号，并使用训练好的噪声适应AI-ECG模型来识别LVSD。研究调查了该模型与新发心力衰竭（首次HF住院）之间的关系。其预测能力通过综合判别改进、Harrell C统计量和净重新分类改进与PREVENT和PCP-HF风险评分进行了比较。
基线心电图来自192,667名YNHHS患者、42,141名UKB参与者和13,454名ELSA-Brasil参与者。在中位数（IQR）为4.2（3.7-4.5）年、3.1（2.1-4.5）年和4.6（2.8-6.6）年的时间内，分别有31（0.2%）名ELSA-Brasil参与者、46（0.1%）名UKB参与者和3,697（1.9%）名YNHHS患者发生了心力衰竭。
无论年龄、性别、合并症或竞争死亡风险如何，AI-ECG筛查结果为LVSD阳性与HF风险增加3至7倍相关，且每增加0.1个模型可能性值，跨队列的危险增加27%至65%。AI-ECG对新发HF的鉴别能力在ELSA-Brasil为0.828，在YNHHS为0.723，在UKB为0.736。
在所有队列中，将AI-ECG预测与PCP-HF和PREVENT方程结合使用，提高了Harrel C统计量。与PCP-HF相比，AI-ECG的综合判别改进为0.091至0.205，与PREVENT相比为0.068至0.192；与PCP-HF相比，净重新分类改进为18.2%至47.2%，与PREVENT相比为11.8%至47.5%。
总体而言，一种噪声适应的AI-ECG模型使用I导联心电图在全球队列中预测HF风险，表明这是一种可行的心力衰竭风险分层方法，需要通过可穿戴和便携式心电图设备进行前瞻性研究。
来源：
Dhingra, L. S., Aminorroaya, A., Pedroso, A. F., Khunte, A., Sangha, V., McIntyre, D., Chow, C. K., Asselbergs, F. W., Brant, L. C. C., Barreto, S. M., Ribeiro, A. L. P., Krumholz, H. M., Oikonomou, E. K., & Khera, R. (2025). 人工智能启用的单导联心电图心力衰竭风险预测。JAMA Cardiology. https://doi.org/10.1001/jamacardio.2025.0492
(全文结束)