摘要
背景：冠状动脉疾病（CAD）导致重大发病率和死亡率。
研究目标：本研究旨在开发深度学习模型，通过心电图（ECG）在初级医疗环境中检测冠状动脉疾病（命名为ECG2CAD），并识别存在不良事件风险的个体。
方法：ECG2CAD模型基于麻省总医院（MGH）137,199人的764,670份心电图数据训练，使用受试者工作特征曲线下面积（AUROC）和精确率-召回率曲线下面积（AUPRC）评估模型区分现有冠状动脉疾病的能力。通过三个测试集（MGH、布列根妇女医院[BWH]和英国生物样本库）与年龄性别模型及汇集队列方程进行比较。BWH初级医疗队列评估了亚组人群的冠状动脉事件风险。
结果：ECG2CAD在MGH（N=18,706 [6,051例], 平均年龄57±16岁）、BWH（N=88,270 [27,898例], 平均年龄57±16岁）和英国生物样本库（N=42,147 [1,509例], 平均年龄65±8岁）中均表现良好：MGH的AUROC为0.782，AUPRC为0.639；BWH的AUROC为0.747，AUPRC为0.588；英国生物样本库的AUROC为0.760，AUPRC为0.155，显著优于传统模型（P<0.01）。BWH初级医疗亚组分析显示，ECG2CAD最高风险组较之低风险组呈现显著风险差异：心肌梗死风险比（HR）5.59（95%CI 4.76-6.56），心力衰竭HR 10.49（95%CI 7.96-13.84），全因死亡率HR 2.68（95%CI 2.32-3.10）。
结论：人工智能心电图分析有助于发现潜在未诊断冠状动脉疾病个体，指导后续检查和预防措施。
关键词：人工智能；冠状动脉疾病；心电图；预测
利益冲突声明
本研究获得美国国立卫生研究院等多项基金支持。Ellinor教授获得拜耳、IBM等药企研究资助，Fahed医生是Goodpath联合创始人。其他作者声明无相关利益冲突。
【全文结束】
