心房颤动(AF)是全球最常见的持续性心脏心律失常，显著增加了中风、痴呆和心力衰竭导致的死亡率和发病率，以及住院率和医疗成本。由于AF经常是无症状的，其早期检测和干预仍然是临床挑战。
传统的AF预测模型主要基于临床风险因素或循环生物标志物；然而，这些指标不能充分反映疾病发生前的基础电生理改变或遗传易感性。近年来，深度学习的快速发展已经改变了AF风险预测，整合了多模态数据以及各种风险因素随时间的动态变化和轨迹。
首先是基于深度学习的心电图(ECG)分析，它可以从窦性心律心电图中提取细微的亚临床电生理模式，这些模式人眼无法察觉但却能预测未来的心房颤动。同时，越来越多的证据突显了遗传学在AF发展中的关键作用，通过大规模全基因组关联研究，其遗传架构越来越清晰。最近的大规模全基因组关联研究荟萃分析已确定了350多个与AF易感性相关的基因位点。例如，Jabbour等人研究了将深度学习得出的心电图特征与多基因风险评分(PRS)相结合用于预测新发AF，并报告了预测性能的逐步提高。
在此背景下，本期《JACC: Asia》报道的一项研究中，Ihara等人通过评估基于人工智能(AI)的心电图加PRS模型在日本多中心队列中的应用，扩展了这一研究方向。这代表了此类多模态方法在东亚人群中首次得到验证。他们的发现为AI-基因组学整合的种族普适性提供了重要见解，并强调了遗传背景如何影响基于AI的心脏风险预测模型的性能。
研究者分析了来自日本7家医疗机构的2,128名患者的数据。他们将一个经过外部验证的AI-ECG模型与专门为日本人群开发的PRS算法相结合，以评估它们在AF风险预测中的互补作用。在此队列中，先前建立的AI-ECG模型（最初在同一人群中训练）展示了强大的区分性能，曲线下面积(AUC)达到0.882，而仅使用PRS则表现出中等的预测能力(AUC: 0.655)。值得注意的是，将PRS纳入AI-ECG模型并未显著增加AUC，但它在风险重新分类指标方面产生了实质性改进，净重新分类改善率为0.467，综合判别改善率为0.028。
基于四分位数的风险分层中出现了一个特别引人注目的发现：AI-ECG模型和PRS均处于最高四分位数的个体，与处于最低四分位数的个体相比，阵发性AF的比值比(OR)约为630，这凸显了该模型精确识别极高风险亚群体的能力。此外，亚组分析揭示了性别特异性差异，在纳入PRS后，女性的AUC显著改善(P = 0.015)。这表明遗传易感性在女性中可能发挥更突出的作用，并强调了性别定制风险预测的潜力。
尽管这项研究具有创新性和临床相关性，但它也存在几个重要局限。首先，研究人群完全来自日本队列，且AI模型和PRS算法均使用日本基因组数据进行训练。鉴于不同人群间遗传变异结构和ECG表型模式存在显著差异，这些发现的外部普适性可能有限，需要在不同种族群体中进行验证。事实上，临床流行病学和AF相关并发症中的种族差异已有充分描述。
其次，AI-ECG模型的性能可能被高估，因为研究队列与最初用于模型开发的数据集部分重叠。这种重叠可以解释纳入PRS后AUC的相对小幅提升（从0.882到0.885；P = 0.353）。
第三，横断面设计无法评估模型预测未来新发AF的能力。缺乏纵向随访限制了这种方法在早期筛查和预防性决策中的临床实用性。
第四，尽管研究者探索了循环生物标志物（如游离DNA）的作用，但其增量预测价值有限。实际上，AF有多种生物标志物，还需要考虑该人群中高度普遍的多重疾病和多药联用情况（及其对治疗的影响）。最后，整合策略依赖于逻辑回归来组合两个现有模型（AI-ECG和PRS）的输出，而不是开发端到端的多模态AI架构。一个能够同时处理原始ECG波形和基因组数据的统一框架，可能会捕捉到电生理和遗传特征之间更深层次的非线性相互作用，从而可能提高预测准确性。
尽管存在这些局限，Ihara等人的工作仍提供了AI和基因组学之间协同潜力的有力证据。它表明PRS可以作为先进的基于AI的心电图分析的宝贵补充，即使在整体判别能力没有大幅提高的情况下也能增强风险重新分类。然而，考虑到潜在应用和AI模型在不同人群中的性能可能有所不同，在独立的多民族队列中进行外部验证仍然至关重要。此外，对整合模型预测新发AF能力（而不仅仅是检测伴随AF）的前瞻性评估，对其转化价值的确定至关重要。
随着多模态学习和可解释AI的持续发展，未来研究可能会朝着整合心电图信号、基因组谱和临床变量的统一架构发展，这些都在单一基础模型内。这种进步最终可能将基于AI的AF预测从概念验证建模推进到实际临床应用。
【全文结束】
