将人工智能应用于心电图（ECG-AI）可能提供一种可扩展的方法来识别面临心力衰竭（HF）高风险的人群，有可能改善当前临床风险预测工具的性能。这一结论来自HeartShare/加速医学合作伙伴（AMP）心力衰竭项目的一项新汇总队列分析。
该研究旨在评估用于检测收缩和舒张功能障碍的ECG-AI模型在添加到PREVENT-HF（预测心血管疾病事件风险——心力衰竭）临床风险方程后，能否增强对首次HF事件的预测能力。
方法
本分析汇总了来自三个大型人群队列（弗雷明汉心脏研究、多种族动脉粥样硬化研究和心血管健康研究）共14,126名无既往心血管疾病的参与者的基线临床和心电图数据。
研究人员使用了两种先前验证过的ECG-AI算法：一种用于检测收缩功能障碍（ECG-AI LEF，基于左心室射血分数≤40%），另一种用于检测舒张功能障碍（ECG-AI DD，基于2级或3级功能障碍）。他们分别使用这些模型以及PREVENT-HF方程，并最终将两者结合，来估计首次HF事件的风险。主要结局是在1年、3年、5年和10年内发生首次HF。
结果
在基线时，11.9%的参与者在复合ECG-AI模型（ECG-AI LEF或ECG-AI DD任一阳性）上呈阳性。与阴性筛查者相比，复合ECG-AI筛查阳性的参与者发生HF的风险显著更高，3年风险比为23.8，10年风险比为10.6。
将ECG-AI复合模型添加到PREVENT-HF评分中显著改善了风险区分能力。联合模型在预测10年内首次HF事件时的C统计量达到0.898。此外，将ECG-AI加入PREVENT-HF后，净重分类改善（NRI）显著。在PREVENT-HF风险阈值20%下，单向NRI在1年时为0.344，10年时为0.327，正确地将大量原本被单独临床评分遗漏的个体重新分类为高风险。
临床实践
这些发现表明，将ECG-AI与已有的临床风险评分相结合可以更精确地识别短期内心力衰竭高风险个体。该研究的作者总结道：“将ECG-AI加入PREVENT-HF改善了对短期HF风险的区分能力。ECG-AI可能实现人群水平的HF风险分层，并促进靶向预防策略的实施。”这种增强的预测能力有助于将预防性治疗（如SGLT2抑制剂）精准用于最可能获益的患者，从而改善人群健康结局。
本研究由加速医学合作伙伴心力衰竭项目资助。
参考文献
- Desai AS, Pandey A, Suratekar R, 等. 利用人工智能从12导联心电图预测心力衰竭：HeartShare/AMP-HF汇总队列分析.《美国心脏病学会杂志》. 2026;87(8):990-1005.
- Khan SS, Coresh J, Pencina MJ, 等. 结合心血管-肾脏-代谢健康的全心血管疾病绝对风险评估新预测方程：美国心脏协会科学声明.《循环》. 2023;148(24):1982-2004.
免责声明
本文提供的信息仅供教育目的。引用的任何观点均反映被引个人的意见，不一定代表出版方的观点。出版方不保证内容的准确性或完整性，对任何错误或因使用内容而产生的后果概不负责。
【全文结束】