冠状动脉疾病（CAD）是一个常见和令人担忧的公共卫生问题，造成了美国和全球大量人员死亡。据估计，在美国每年有近37万人因冠状动脉疾病而死亡，在全球造成约900万人死亡，仅在美国，相关的医疗费用就超过2287亿美元。认识到这种动态疾病的复杂性，有效的风险分层对于解决患者的多方面需求和改善关键临床结局（如死亡率）的预测至关重要。风险分层的重要性超出了最初的诊断和治疗，影响后续治疗和护理的准确性，以及针对有不良结局风险的CAD人群的独特需求量身定制的资源分配。对胸痛患者进行风险分层的重要性远超出了诊断和立即治疗。

近日，心血管领域权威杂志Eur Heart J上发表了一篇研究文章，该研究旨在评估基于心电图特征的机器学习模型对胸痛患者全因死亡率进行风险分层的预后价值。

这是一项前瞻性观察队列研究，研究对象为连续就诊的非创伤性胸痛患者。研究人员通过包括疾病预防控制中心国家死亡指数登记处在内的多种来源确定受试者的全因死亡。此外，研究人员使用73个形态学心电图特征训练6个机器学习模型进行生存分析（80%训练，10倍交叉验证和20%测试），然后使用变分贝叶斯高斯混合模型定义不同的风险组。最后，研究人员将结果分类性能与HEART评分进行比较。

衍生队列纳入了4015例患者（平均年龄为59±16岁，47%为女性）。中位随访期为3.05年（四分位数范围为1.75-5.32），死亡率为20.3%。额外生存树优于其他预测模型，衍生的风险组成功地将患者分为低、中、高风险组（log-rank检验统计量= 121.14,P<0.001）。该模型优于HEART评分，将遗漏事件率降低了90%，阴性预测值和敏感性分别为93.4%和85.9%，而后者分别为89.0%和75.0%。在一个独立的外部检测队列中（N=3095，平均年龄为59±15岁，44%为女性，30天死亡率为3.5%），中等[比值比为3.62(1.35-9.74)]和高[比值比为6.12(2.38-15.75)]风险组患者的死亡率明显高于低风险组。

由此可见，经外部验证的专门通过分析12导联心电图的特征的基于机器学习模型，在对急性胸痛患者的死亡风险进行分层方面优于HEART评分。这可能会影响到医疗服务的准确性和对那些不良事件风险最高的人员的资源分配。

原始出处：

Zeineb Bouzid,et al.Electrocardiogram-based machine learning for risk stratification of patients with suspected acute coronary syndrome.European Heart Journal.2025.https://academic.oup.com/eurheartj/advance-article/doi/10.1093/eurheartj/ehae880/7953183

Tags： Eur Heart J：基于心电图的机器学习对疑似急性冠状动脉综合征患者进行风险分层