AI时代房颤筛查：从广撒网到精准风险定位

房颤筛查的关键在于：目标人群的特征远比筛查频次重要。全面铺开或仅按年龄划分的普筛策略，效果参差不齐且总体不尽人意。VITAL-AF这项基层医疗研究纳入≥65岁人群，采用系统性单导联心电图检查，相比常规诊疗并未提升房颤初诊率。这充分暴露了宽泛筛查的短板。而瞄准高风险人群的研究则成效显著。REHEARSE-AF试验对经过风险筛选的高危人群用手持设备反复筛查，大幅提升了新发病例检出数。综合来看，盲目强化筛查难以创造临床价值，而应聚焦于基础风险较高的特定群体，只有这类人群才能实现高效检出并确保临床意义。

风险分层不仅关乎检出效率，更决定后续干预的实际获益。历史上开发房颤预测模型，正是为了在人群中精准锁定新发房颤高危个体——这类人群才是筛查的真正目标。多个经外部验证的临床模型一致显示，利用常规易获取的临床指标，就能发现房颤风险的显著差异。被这些工具判定为高危的个体，短期至中期房颤发生率明显更高，为强化筛查提供了合理目标。反之，筛查低风险人群会降低效率，还容易发现负荷轻、意义不明的边缘病例。但现行指南并未充分采纳风险导向的筛查模式。2024年欧洲心脏病学会指南仍主要依赖≥65岁这一单一年龄指标。虽然年龄确实是强危险因素，但仅靠它分层区分度不足，也无法指导医生选择具体筛查工具。这一差距提示：急需在年龄标准之外，开发更精细的方法来锁定筛查目标。

即便通过强化筛查发现房颤，也未必能改善预后，因为最终结局取决于被筛查者自身风险，而非筛查强度。高灵敏度检测手段的随机对照试验充分印证了这一点。LOOP研究对老年人群系统性植入心电监测仪，虽显著提高检出率并增加抗凝药使用，却未降低卒中或全身栓塞风险。这一阴性结果有力证明：单纯提高检出率不等于临床获益。这些发现共同强调：有效筛查必须识别有明确临床意义的房颤，而非追求诊断数量。

AI赋能的房颤筛查：从单纯检测到风险导向的临床决策。近年来AI技术快速发展，深刻改变了房颤筛查格局，大幅提升了检测和预测新发风险的能力。多项回顾性研究一致表明，AI心电图模型能在房颤临床发作前提前识别高危个体。开创性研究证实，深度学习算法分析窦性心律心电图可发现潜在风险。后续研究进一步表明，AI模型不仅能识别房颤相关卒中风险增高人群，还能在传统危险因素基础上提供额外的风险区分能力。总体而言，现有数据证实AI可显著提升检出效率并优化风险分层。但必须客观指出：前瞻性硬终点临床证据仍有限。迄今唯一一项大规模、非随机的AI引导筛查研究中，AI心电图风险分层结合可穿戴设备监测确实提高了检出率，但未评估卒中、栓塞或死亡率等硬终点。因此，虽有令人信服的证据显示AI能增强检测能力，但尚无随机对照试验证明AI引导筛查后启动抗凝可改善卒中或死亡率。

综合上述证据，可提炼出现代房颤筛查领域两个未解决的核心问题。第一：哪些人群的房颤风险足够高，值得投入资源系统筛查？回答此问题需要开展以风险阈值为导向的随机试验，确定能产生临床意义检出率的具体界值。本期《JACC》中某项研究提供重要进展：证明将AI心电图分析与临床危险因素结合，能有效识别出CH-AI评分最高十分位的极高危亚组。在该亚组中，房颤筛查较常规诊疗显著提高检出率。第二：在筛查出的房颤患者中，哪些个体能切实从后续治疗干预中获益？回答此问题需要开展以临床结局为主要终点、以治疗为导向的随机试验，验证靶向治疗（尤其是抗凝）是否能在筛查人群中真正降低卒中、心血管死亡或全因死亡率。

在AI时代，房颤检出率将不可避免持续攀升，这与既往植入式心电监测仪及心脏植入设备广泛应用后的经验高度一致。但必须清醒认识到：单纯提高检出率不保证带来临床获益。因此，当前核心挑战不在于AI能否识别房颤，而在于如何精准区分哪些患者需要治疗干预（尤其是抗凝），哪些患者的检出仅代表过度诊断，并无预后获益。通过将焦点从无差别普筛转向风险富集、结局导向的精准策略，将AI心电图分析与临床危险因素有机整合，为设计下一代房颤筛查试验提供了有说服力的概念框架。

🔬参考文献🔬

Liu CM, Chao TF. Risk-Guided Atrial Fibrillation Screening in the Era of Artificial Intelligence. J Am Coll Cardiol. 2026 Apr 14;87(14):1814-1816.

.