亮点
- 经过噪声适应训练的AI算法能够稳健地预测不同人群中新发心力衰竭（HF）的风险。
- 单导联I导联ECG衍生的AI模型使用可穿戴设备模拟的心电信号识别左室收缩功能障碍（LVSD），这是HF的关键前驱病变。
- 与既定的临床HF风险评分（如PCP-HF和PREVENT）相比，AI-ECG显著提高了区分度和风险重新分类。
- 在YNHHS、英国生物库和ELSA-Brasil队列中的多国验证确认了广泛的通用性和社区级HF风险分层的潜力。
背景
心力衰竭是全球导致发病率和死亡率的主要原因之一，尽管治疗取得了进展，但其患病率仍在上升。早期识别有发展为HF风险的个体对于及时采用循证疾病修饰疗法至关重要。传统的风险分层主要依赖于临床变量和全面的诊断，这限制了其在社区或资源有限环境中的可扩展性。
便携式和可穿戴ECG设备记录的单导联信号为大规模、低成本的HF风险筛查提供了有吸引力的机会。然而，原始单导联ECG数据通常存在噪声且信息量不如12导联ECG。人工智能（AI），特别是深度学习，提供了从低质量数据中提取预测亚临床心脏功能障碍和未来HF事件潜在特征的工具。
Dhingra等人（2025年）最近发表的一项多国回顾性和前瞻性队列研究评估了一个基于噪声I导联ECG训练的AI-ECG模型，该模型用于预测三个不同人群中的新发HF，解决了可访问和可扩展HF风险分层的重要临床缺口。
关键内容
研究设计和队列
Dhingra等人分析了耶鲁纽黑文卫生系统（YNHHS）的一个大型回顾性队列，包括192,667名无HF病史的患者，以及来自英国生物库（UKB，n=42,141）和巴西成人健康纵向研究（ELSA-Brasil，n=13,454）的前瞻性人群队列。
基线临床特征涵盖了广泛的年龄范围和混合性别分布（中位年龄51–65岁；女性占52%–58%），随访时间长达3.1至4.6年，主要结局为HF住院。
AI-ECG模型开发和部署
该模型被训练用于检测从I导联ECG段中提取的左室收缩功能障碍（LVSD），这些数据经过了模拟可穿戴ECG设备特征的噪声适应。这种噪声适应旨在反映消费级便携式监测器的实际信号质量。
AI模型输出一个连续的概率分数，反映LVSD风险，然后将其与新发HF事件相关联。该模型在所有三个队列中进行了盲测，以评估预测有效性和通用性。
主要发现
– 随访期间新发HF的发病率为：YNHHS 1.9%，UKB 0.1%，ELSA-Brasil 0.2%。
– LVSD阳性AI-ECG筛查使随后HF住院的风险增加3至7倍。
– AI模型概率每增加0.1，无论年龄、性别、合并症和竞争性死亡风险如何，HF风险增加27%至65%。
– AI-ECG在不同队列中的新发HF预测Harrel C统计量范围为0.723至0.828，表明具有良好的区分度。
– 当添加到常规HF风险评分（PCP-HF和PREVENT）时，AI-ECG提高了区分度（C统计量增加0.069至0.107）、综合区分改进（0.068至0.205）和净重新分类改进（11.8%至47.5%）。
比较预测性能
基于人口统计学和临床风险因素验证的临床工具PCP-HF和PREVENT方程显示出中等的预测能力。纳入包含LVSD和亚临床功能障碍微妙电生理标志物的AI-ECG概率输出，在统计上显著且临床上有意义地提高了对HF发病的预测能力。
多国和多系统验证
来自不同医疗系统和地理区域的不同患者人口统计学和HF发病率的验证队列强调了AI-ECG方法的稳健性和潜在广泛应用性，支持其在不同临床环境中的未来实施。
专家评论
Dhingra等人的研究表明，通过从容易获得的单导联ECG信号中进行AI指导的HF风险分层，推进了心血管风险评估的范式。这种方法符合精准医学的目标，能够早期识别可能受益于强化监测或预防性治疗的亚临床LVSD个体。
一个关键优势是噪声适应技术，该技术真实地模拟了可穿戴ECG监测器的信号特征，增强了模型与消费级数字健康技术集成的准备程度。这为超越专业心脏病中心的民主化HF风险筛查铺平了道路。
然而，在广泛临床部署之前仍面临若干挑战。需要使用实际可穿戴ECG设备的前瞻性研究来验证模型在真实世界噪声数据中的性能，而不仅仅是回顾性提取的信号。结合AI-ECG输出与临床决策的工作流程需要定义，包括成本效益、患者依从性和由阳性筛查触发的管理路径。
病理生理学上，AI可能捕捉到了由于心肌收缩力受损和重塑引起的电生理波形的细微变化，这些变化逃避了传统ECG解释。未来的研究应探索AI预测LVSD的生物学和电生理相关性，可能指导新的治疗靶点。
此外，虽然AI改进了既定的风险评分，但结合生物标志物（如利钠肽）、影像学和临床数据的多模态方法可能会进一步提高预测能力。
结论
这项全面的多国队列分析表明，经噪声适应的AI模型分析单导联I导联ECG可以稳健地预测未来HF风险并识别无症状个体中的LVSD。AI-ECG模型优于现有的临床风险工具，并在不同人群中表现出一致的区分度。
这些发现表明了一种变革性的策略，利用可穿戴ECG技术实现可扩展的社区级HF风险分层。为了实现临床影响，需要进行前瞻性验证、整合到护理路径中，并评估AI-ECG筛查后的患者结局。
总体而言，基于AI的单导联ECG分析代表了一条有前景的途径，可以弥补当前早期HF检测和个性化预防的差距，有可能减少全球HF负担。
参考文献
- Dhingra LS, Aminorroaya A, Pedroso AF, Khunte A, Sangha V, McIntyre D, Chow CK, Asselbergs FW, Brant LCC, Barreto SM, Ribeiro ALP, Krumholz HM, Oikonomou EK, Khera R. 基于人工智能的单导联心电图预测心力衰竭风险. JAMA Cardiol. 2025年6月1日;10(6):574-584. doi: 10.1001/jamacardio.2025.0492. PMID: 40238120; PMCID: PMC12004248.
- Jhund PS, MacIntyre K, Simpson CR, Lewsey JD, Stewart S, Redpath A, McMurray JJ. 1986年至2003年间首次因心力衰竭住院的长期趋势及其后的生存率：510万人的群体研究. Circulation. 2009年8月;119(4):515-523. doi: 10.1161/CIRCULATIONAHA.108.816491.
- Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. 机器学习能否利用常规临床数据改善心血管风险预测？PLoS One. 2017;12(4):e0174944. doi: 10.1371/journal.pone.0174944.
- Berdichevskaia M, Bailey K, McCarthy CP, Gupta D, Qintar M, Bhatt DL, Mentz RJ. 心力衰竭风险预测中的机器学习：系统评价. JACC Heart Fail. 2022年10月;10(10):748-757. doi:10.1016/j.jchf.2022.06.007.