利用深度学习从社区心电图中预测心房颤动：一项多国研究

《Circulation: Arrhythmia and Electrophysiology》：Prediction of Atrial Fibrillation From the ECG in the Community Using Deep Learning: A Multinational Study

　　房颤风险预测的ECG深度学习模型在多队列中验证，结合临床评分提升预测效能，并发现与心衰、心梗等心血管事件风险相关

　　

摘要

背景：

我们的目标是改进并验证一个基于心电图（ECG）的深度神经网络模型，以预测心房颤动（AF）的风险。该模型使用了来自不同研究群体的样本，包括弗雷明汉心脏研究（FHS）、英国生物银行（UK Biobank）和巴西成人健康纵向研究（ELSA-Brasil）。我们将该模型的性能与临床“心脏与衰老研究基因组流行病学联盟”（CHARGE-AF）的风险评分进行了比较，并评估了其与其它心血管疾病结果的关联。

方法：

基于ECG的深度学习AF预测模型（ECG-AF）使用了60%未患AF的FHS样本进行优化。随后在剩余的FHS样本、英国生物银行和ELSA-Brasil样本中对该模型进行了测试，其区分能力通过接收者操作特征曲线下面积（AUC）来评估。ECG-AF与心血管疾病结果之间的关联则通过Cox比例风险模型进行分析。

结果：

研究样本包括10,097名FHS参与者（平均年龄53±12岁；54.9%为女性）、49,280名英国生物银行参与者（平均年龄64±8岁，47.9%为女性）以及12,284名ELSA-Brasil参与者（平均年龄53±8岁，54.7%为女性）。ECG-AF模型在FHS中的AF预测能力表现为中等水平（AUC为0.82 [95% CI, 0.80–0.84]），与CHARGE-AF评分相当（AUC为0.83 [95% CI, 0.81–0.85]）；当两者结合使用时，预测能力进一步提升（AUC为0.85 [95% CI, 0.83–0.87]）。在英国生物银行和ELSA-Brasil中，结合使用ECG-AF和CHARGE评分也能提高预测准确性。在所有三个队列中，较高的ECG-AF评分与心力衰竭、心肌梗死、中风和全因死亡的风险增加相关。

结论：

在多国队列研究中，这种单输入的ECG-AF深度神经网络模型在预测AF和其他心血管疾病结果方面表现良好，其性能可与多变量临床风险评分相媲美；两者结合使用时，预测效果更佳。

图形摘要