人工智能辅助的心电图（ECG）算法在心血管（CV）疾病的早期检测中日益重要，这些算法不仅能识别传统上与常规心电图指标或专家解读相关的疾病，还能检测那些难以通过常规方法早期发现的心血管疾病。为了在人群水平上实现对15种常见心血管疾病的同时预测，本研究开发并验证了相应的模型。

研究方法：

我们进行了一项大规模的回顾性研究，研究数据来自于2007年2月至2020年4月期间，在加拿大阿尔伯塔省的84家急诊科或医院中进行的1,605,268份12导联心电图（ECG），涉及244,077名成年患者。研究重点考虑了通过国际疾病分类第十版（ICD-10）代码识别的15种心血管疾病：房颤（AF）、室上性心动过速（SVT）、室性心动过速（VT）、心脏骤停（CA）、房室传导阻滞（AVB）、不稳定型心绞痛（UA）、ST段抬高型心肌梗死（STEMI）、非ST段抬高型心肌梗死（NSTEMI）、肺栓塞（PE）、肥厚型心肌病（HCM）、主动脉瓣狭窄（AS）、二尖瓣脱垂（MVP）、二尖瓣狭窄（MS）、肺动脉高压（PHTN）和心力衰竭（HF）。

为了实现高效准确的预测，我们采用了基于ResNet的深度学习（DL）模型来处理心电图波形，并使用极端梯度提升（XGB）算法来处理心电图测量数据。DL模型利用了ECG的时间序列数据进行深度特征提取，而XGB模型则基于从ECG中提取的具体测量值进行预测。两种模型在不同的分析维度上提供了互补的预测能力。

结果：

在97,631名保留测试患者的首份心电图上进行评估时，深度学习模型展示了优异的性能。具体而言，DL模型对三种心血管疾病（PE、SVT、UA）的受试者工作特征曲线下面积（AUROC）低于80%，对八种心血管疾病（CA、NSTEMI、VT、MVP、PHTN、AS、AF、HF）的AUROC在80%到90%之间，而对四种心血管疾病（AVB、HCM、MS、STEMI）的AUROC高于90%。相较而言，深度学习模型的AUROC平均比XGB模型高出约5%。

在心脏骤停（CA）、非ST段抬高型心肌梗死（NSTEMI）、室性心动过速（VT）、二尖瓣脱垂（MVP）、肺动脉高压（PHTN）、主动脉瓣狭窄（AS）、房颤（AF）、心力衰竭（HF）等疾病的检测中，DL模型的表现尤其突出。这些结果表明，基于ECG的DL预测模型在诊断常见心血管疾病方面具有良好至优秀的预测性能，并且在许多情况下优于基于传统测量值的XGB模型。

讨论：

这些研究结果具有重要的临床意义。首先，DL模型在识别多种心血管疾病方面的高效性和准确性，表明人工智能可以显著提升心血管疾病的早期检测能力，特别是在急诊科和医院等高压力环境中，医生能够借助这些智能工具更迅速地做出诊断，进而改善患者的预后。

其次，虽然DL模型在某些疾病（如PE、SVT、UA）上的预测性能略低于其他疾病，但其整体表现仍然优于传统模型。这提示未来的研究可以进一步优化DL算法，特别是在这些相对难以预测的疾病上，提升模型的全面性能。

最后，研究结果还显示，尽管XGB模型在一些情况下表现良好，但深度学习模型在综合性能上具有明显优势。这表明，在大规模ECG数据的处理和分析中，深度学习方法可能更为适用。

结论：

本研究开发并验证了基于人工智能的ECG预测模型，这些模型在检测和诊断常见心血管疾病方面表现出良好至优秀的预测性能。基于这些发现，未来的临床实践中可以更广泛地应用人工智能辅助工具，以提高心血管疾病的早期检测和管理水平，从而改善患者的治疗效果和生活质量。这一研究为推动心血管疾病诊断技术的进步奠定了坚实基础，展望未来，人工智能将在医疗领域发挥越来越重要的作用。

参考文献：

Kalmady SV, Salimi A, Sun W, Sepehrvand N, Nademi Y, Bainey K, Ezekowitz J, Hindle A, McAlister F, Greiner R, Sandhu R, Kaul P. Development and validation of machine learning algorithms based on electrocardiograms for cardiovascular diagnoses at the population level. NPJ Digit Med. 2024 May 18;7(1):133. doi: 10.1038/s41746-024-01130-8. PMID: 38762623.

Tags： NPJ Digit Med：基于心电图的机器学习算法的开发和验证，用于人群层面的心血管诊断