基于图像的人工智能增强心电图预测新发心房颤动Image based artificial intelligence-enhanced ECG prediction of incident atrial fibrillation - Heart Rhythm

摘要

背景

早期预测心房颤动(AF)对于减少不良健康后果至关重要。虽然人工智能增强心电图(AI-ECG)分析在预测心房颤动方面显示出潜力，但大多数现有方法需要数字心电图信号，这限制了其在心电图以图像形式存储的医疗环境中的应用。

目的

本研究旨在开发并验证一种基于图像的AI-ECG方法，用于跨多个数据集预测新发心房颤动。

方法

研究使用了来自贝斯以色列女执事医疗中心(BIDMC)数据库的189,539名患者的1,163,401份心电图，以及来自英国生物银行(UK Biobank)的65,610名参与者的70,655份心电图。AI-ECG模型在处理为310x868像素的心电图图像上进行训练。

结果

该模型在BIDMC数据集中预测新发心房颤动的C统计量达到0.754（95%置信区间：0.747-0.761），在英国生物银行数据集中达到0.723（95%置信区间：0.704-0.741）。在关键亚组中，包括门诊患者、女性和非白种人个体，模型表现保持稳定。与CHARGE-AF风险评分相比，AI-ECG模型表现更优（C统计量0.696比0.667，p<0.05），并且在结合使用时提供了显著的附加价值（C统计量0.711，p<0.0001）。该模型在智能手机拍摄的心电图上也表现良好（C统计量0.736）。显著性映射显示，该模型主要关注P波形态和PR间期区域。

结论

这种基于图像的方法使得在没有数字化心电图基础设施的环境中也能进行AI-ECG心房颤动预测，并为已知的临床风险评分提供了有价值的补充，有望扩大人工智能在心电图分析中的应用范围。

关键词

1. 人工智能
2. 心电图检查
3. 心房颤动
4. 预测
5. 图像分析
6. 深度学习
7. 心血管疾病
8. 机器学习

【全文结束】