AI心电图模型筛查房颤风险获多中心验证

房颤作为一种普遍的心律紊乱，会明显提升脑卒中和心衰的危险性。该病症往往表现为隐匿性或间歇发作，给临床确诊带来挑战。及早发现尚未诊断或新发的房颤病例，并迅速启动口服抗凝疗法，可显著减少卒中事件。基于此，研发有效的筛查手段来甄别高风险群体，对临床实践具有重要价值。

4月7日，Tempus AI公司的Christopher M. Haggerty作为通讯作者，在《Heart Rhythm》期刊发表了题为《人工智能心电图模型预测1年内心房颤动或扑动风险的多中心验证》的研究论文。

此项研究共收集了三个不同医疗中心的4017名受试者数据，平均年龄75.3岁，女性占比56%，白种人占82%。随访1年期间，新发房颤或心房扑动的病例为240例，占总体人群的6.0%。Tempus ECG-AF模型将391名受试者（9.7%）标记为"风险升高"，其中74人实际发生了房颤，其敏感性为31%（95%置信区间：25-37%）。其余3626名受试者被评为"风险未升高"，其中3460人在1年观察期内确实未出现房颤，特异性达到92%（95%置信区间：91-92%）。这两项核心指标均明显优于预设的最低标准（敏感性20%、特异性85%），表明该模型在多中心真实环境数据中展现出稳定的验证效能。

深入分析表明，阳性预测值（PPV）为19%，也就是说，在被模型评估为高风险的患者中，大约每5人有1人在1年内被临床确诊房颤。阴性预测值（NPV）高达95%，说明被评为非高风险的患者中，95%在后续1年未获房颤诊断。该结论在三个临床中心之间呈现了良好的一致性，显示模型的表现不受各机构诊疗模式差异的干扰。

亚组分析进一步考察了模型在各个人群中的适用性。在年龄、种族、体重指数等分层中，敏感性与特异性基本维持稳定。男性受试者的敏感性高于女性（41%对22%），但特异性稍低（88%对94%），尽管两性的房颤发生率接近（男性6.2%、女性5.8%）。西班牙裔群体的敏感性偏高（56%），特异性则略逊（89%），不过其特异性的置信区间下限依然高于预设界限。患有心衰、高血压、糖尿病或血管疾病的受试者在特异性方面虽有波动，但这些差别的临床影响较小，且置信区间下限均符合验证要求。传导阻滞或不同心电图设备品牌等因素均未显著改变模型效能。

技术层面而言，该模型采用深度卷积神经网络架构，通过标准12导联心电图电压数据融合患者年龄与性别特征进行训练，可识别传统临床判读易遗漏的微小信号，进而独立完成对1年内新发房颤风险的预测。相较于现行临床风险评估体系，其高特异性架构有利于降低假阳性率，防止临床工作流程产生警示疲劳，并能为未按常规途径就诊的患者补充风险研判依据。

临界点分析检验了746例随访信息不完整受试者对整体结果稳定性的冲击。即便在极端假设情境下，即模型对这些患者的分类存在显著偏倚时，敏感性与特异性依然未低于预设阈值，说明核心结论对数据缺失问题具备较强的鲁棒性。

总体来看，研究通过盲态病历提取、双重核对及临床专家复核等严谨流程，保障了终点判定的质量。受试者筛选贴近真实诊疗情境，剔除了有房颤病史、植入起搏器或ICD的个体，且要求具备至少1年的随访记录。这些设计加强了研究成果向实践转化的可行性。多中心、跨地域的验证样本也进一步强化了模型在不同人群中的普适性。

本项研究为心电图人工智能技术在房颤风险分层领域的临床应用提供了充分依据，支持将Tempus ECG-AF模型用作辅助手段，协助医生发现潜在高危个体，以便通过及时抗凝等处置手段减少卒中事件。模型在特异性和可接受敏感性之间取得的平衡，展现了筛查场景下实用性的优化方向，也为后续前瞻性干预探索铺平了道路。