摘要
背景：
本研究旨在通过来自不同背景的样本——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）——优化并验证一种从心电图预测心房颤动（AF）风险的深度神经网络模型。我们将该模型的性能与临床基因组流行病学心脏病与衰老研究联盟（CHARGE-AF）风险评分进行比较，并评估其与其他心血管结局的关联。
方法：
使用60%无心房颤动的FHS样本来优化基于心电图的深度学习心房颤动预测（ECG-AF）模型。然后在剩余的FHS样本、英国生物银行和ELSA-Brasil中测试其性能，通过受试者工作特征曲线下面积评估区分能力。使用Cox比例风险模型评估ECG-AF与心血管结局的关联。
结果：
研究样本包括10097名FHS参与者（平均年龄53±12岁；54.9%为女性）、49280名英国生物银行参与者（平均年龄64±8岁，47.9%为女性）和12284名ELSA-Brasil参与者（平均年龄53±8岁，54.7%为女性）。ECG-AF模型在FHS中对新发心房颤动显示出中等区分能力（曲线下面积，0.82 [95% CI，0.80-0.84]），与CHARGE-AF评分相当（曲线下面积，0.83 [95% CI，0.81-0.85]），两者结合时区分能力进一步提高（曲线下面积，0.85 [95% CI，0.83-0.87]）。在英国生物银行和ELSA-Brasil中，ECG-AF与CHARGE结合也改善了预测效果。较高的ECG-AF评分与所有3个队列中心力衰竭、心肌梗死、中风和全因死亡风险增加相关。
结论：
在多国队列研究中，单一输入ECG-AF深度神经网络模型在预测心房颤动和其他心血管结局方面表现出良好的性能，与多变量临床风险评分相当，且两者结合时性能更佳。
【全文结束】
