基于人工智能的心电图性别差异与新发心房颤动风险：一项多国队列研究

《Heart Rhythm》：Artificial intelligence-enabled electrocardiographic sex discordance and the risk of incident atrial fibrillation: a multi-national cohort study

　　AI-ECG性别不一致分数可提升女性心房颤动风险预测，其与激素失衡、脂肪分布及心脏结构改变相关。

　　

韩镇朴（Hanjin Park）|权吴锡（Oh-Seok Kwon）|金东元（Dong Won Kim）|金大勋（Daehoon Kim）|朴在旭（Je-Wook Park）|俞熙泰（Hee Tae Yu）|金泰勋（Tae-Hoon Kim）|乌姆在顺（Jae-Sun Uhm）|郑宝英（Boyoung Joung）|李文亨（Moon-Hyoung Lee）|尹德永（Dukyong Yoon）|朴辉南（Hui-Nam Pak）

韩国首尔延世大学医学院及Severance医院内科心脏病学系

摘要

背景

将性别简单地分为二元类别无法准确反映心房颤动（AF）风险的连续性特征。

目的

开发一种基于人工智能（AI）的心电图（ECG）模型，用于预测性别，并探讨其与AF风险之间的关联。

方法

利用Severance医院的训练数据集开发了用于性别预测的AI-ECG模型，并通过CODE-15%（AUC 0.91）和MIMIC-IV（AUC 0.90）数据集进行了外部验证。在三个多国测试集（Severance医院[n=205,769]、Yongin Severance医院[n=112,942]和UK Biobank[n=40,525]）中，计算了性别不一致得分——该得分定义为AI-ECG预测的性别概率与实际自我报告性别的差值（连续值）。

结果

在Severance医院和Yongin Severance医院的测试集中，性别不一致得分的增加与女性患者更高的AF风险相关，调整后的风险比（HR）分别为1.28（95% CI, 1.24–1.33）和1.32（95% CI, 1.27–1.36）。在男性患者中未观察到显著关联。将性别不一致得分加入CHARGE-AF模型后，女性的AF预测准确性显著提高，C指数分别增加了0.026（95% CI, 0.013–0.037）和0.020（95% CI, 0.010–0.032），但在男性患者中未见显著变化。在UK Biobank测试集中，性别不一致得分与女性患者的AF风险增加也存在类似关联。在女性患者中，性别不一致得分与性激素失衡、心包和内脏脂肪堆积、心房重构以及不良生活方式因素相关。

结论

AI-ECG的性别不一致得分能够识别出AF风险显著升高的女性群体，这有助于加强风险因素的调整和监测。

引言

心房颤动（AF）是最常见的心律失常类型，是一个严重的公共卫生问题，会导致较高的发病率和死亡率。现有证据表明，有AF风险的人群可能从生活方式干预中受益，以降低患病风险；而处于AF前期的个体则可以通过早期检测和后续干预策略来预防相关不良事件。因此，需要新的标志物来提高AF的风险预测能力。

AF在发病率、诊断和预后方面的性别差异已有充分记录。未被诊断出AF的女性患者常表现为疲劳或全身无力等非典型症状，导致诊断延迟和不良后果。此外，被诊断为AF的女性患者接受生活方式干预或口服抗凝治疗的机会较少。在这种情况下，一种能够针对性别差异的标志物有助于AF的诊断和管理。

尽管女性患AF的总体风险低于男性，但其在发病机制上存在独特特征，性激素紊乱以及随后的心房重构和纤维化被认为是关键因素。最新研究表明，心脏代谢特征也可能存在性别相关的连续性。然而，传统的二元性别分类方法无法捕捉这种连续性及其对AF风险预测的影响。最近，基于AI的心电图（ECG）模型被评估为一种有前景的工具，能够将性别作为连续概率而非二元标签进行预测。AI-ECG有潜力捕捉ECG表型中的AF风险差异，这些表型包含了与AF易感性相关的信息。

在本研究中，我们开发并验证了一个AI-ECG性别预测模型，并引入了ECG性别不一致得分。我们假设这一得分能够超越临床风险因素，进一步提高AF的预测准确性。

方法

本研究遵循《赫尔辛基宣言》的原则，并获得了延世大学卫生系统机构审查委员会的批准（2022-3657-008，临床试验编号：不适用）。根据严格的保密规定，使用去识别化数据无需获得受试者的知情同意。

结果

三个测试集的参与者基线特征见表1。Severance医院测试集中的参与者均为亚洲人，55.2%为女性，中位年龄为50岁（IQR, 37–62岁），CHARGE-AF中位评分为1.1%（IQR, 0.3–5.9%）。相比之下，UK Biobank测试集中的参与者主要为白人欧洲人（96.7%），年龄较大，慢性并发症（包括高血压和心血管疾病）的患病率较高。

讨论

通过使用地理和种族/民族多样化的数据集，我们开发并验证了一个AI-ECG性别预测模型，并引入了ECG性别不一致得分来预测AF风险。该得分在女性患者中显著提高了AF预测的准确性，但在男性患者中效果不明显。在女性患者中，这一得分与更好的预测能力相关，并与性激素失衡、心包和内脏脂肪堆积以及心房重构有关。

结论

AI-ECG的性别不一致得分能够提高女性患者的AF风险预测能力。其与性激素改变、心包脂肪堆积及相关结构与功能变化的关联表明了女性AF发病的潜在机制。

披露：

所有作者均声明没有财务或非财务利益冲突。

资助：

本研究得到了韩国医疗器械发展基金（项目编号1711174471；RS-2022-00141473）和韩国国家研究基金会（NRF-2022R1I1A1A01071083）基础科学研究计划的支持，资金来源于韩国政府科技信息通信部、贸易产业能源部、卫生福利部、食品药品安全部及教育部。此外，本研究还得到了韩国心脏协会的资助。

数据可用性：

Severance医院、Yongin Severance医院和UK Biobank的数据使用存在限制。UK Biobank的数据和材料可通过直接申请获取（UK Biobank，https://ukbiobank.ac.uk）。CODE-15%数据集（https://zenodo.org/records/4916206）和MIMIC-IV ECG数据集（https://physionet.org/content/mimic-iv-ecg/1.0/）可在相应数据库中公开获取。

作者贡献：

朴H（H Park）和金DW（DW Kim）负责统计分析、图表制作和论文撰写。权吴锡（OS Kwon）负责训练和验证AI-ECG年龄预测模型，进行热图分析，并参与解释工作。朴JW（JW Park）、俞熙泰（HT Yu）和金泰勋（TH Kim）参与统计分析和解释。金DH（DH Kim）、朴JW（JW Park）、俞熙泰（HT Yu）、金泰勋（TH Kim）、乌姆在顺（JS Uhm）、郑宝英（BY Joung）和李文亨（MH Lee）参与解释、图表设计及论文修订。

致谢：

作者感谢Severance医院、Yongin Severance医院和UK Biobank的支持，以及所有参与研究的受试者。本研究使用了YIRS-DB（Yongin Severance医院集成与响应空间数据库）进行。