引言
瓣膜性心脏病（VHD）是全球重大健康挑战，影响超过4100万人。虽然及时干预已改善预后，但早期识别高危患者的不足仍然存在。当前指南对轻症患者建议定期超声心动图监测，却缺乏系统预测模型，导致医疗资源紧张并可能错过干预窗口。12导联心电图结合人工智能（AI-ECG）作为无创、低成本的工具，已展现出心血管筛查潜力。Liang等人的研究标志着AI-ECG从诊断现有疾病向预测返流性瓣膜病（rVHD）进展的突破性转变。
AI-ECG诊断现有VHD的基础
早期研究展示了AI-ECG检测VHD的能力或判断严重程度的潜力，但这些模型主要关注单时间点诊断，缺乏对病程预测和时间依赖性的考量。Liang等人的研究创新性地采用离散时间生存损失函数，实现了从诊断到动态预测的跨越。
预测rVHD进展的新前沿
在诊断现有VHD基础上，预测疾病进展具有重大临床价值。当前指南对轻症患者推荐的选择性超声心动图监测存在资源浪费问题。研究团队通过残差卷积神经网络架构结合生存分析模型，首次实现同时诊断现有病变并预测未来进展。内部测试集显示：AI-ECG对二尖瓣反流（C指数0.774）、主动脉瓣反流（0.691）、三尖瓣反流（0.793）具有显著预测能力，并通过美国贝斯以色列女执事医疗中心的外部验证（外部验证C指数分别为0.698、0.647、0.702）。值得注意的是，尽管模型主要基于东亚人群训练，但在白人、黑人及西班牙裔美国人群中仍保持稳定表现。
生物学机制解析
研究通过可解释性分析发现：
- 继发性rVHD：由心肌病等基础疾病导致心腔扩张，如左室扩张导致继发性二尖瓣反流
- 原发性rVHD：瓣膜损伤引发容量超负荷，进而导致心室重构改变瓣膜几何形态
针对主动脉瓣反流预测性能较低的现象，研究指出这与其特殊的病理机制有关——升主动脉扩张等结构改变缺乏显著电活动，导致心电图信号不明显。通过变分自编码器的可解释性分析，发现AI识别的ECG形态特征与已知瓣膜病变电生理变化高度吻合。
方法学局限性
- 回顾性数据收集存在选择偏倚：受试者多基于临床指征接受超声心动图检查
- 超声评估依赖经验：尽管误诊率低，但仍可能存在轻度误诊
- 数据完整性不足：未系统记录症状状态、合并症等临床变量
- 特殊人群验证不足：既往瓣膜手术患者的模型性能未充分验证
临床转化挑战
- 外部验证性能下降：需本地化调校以适配不同医疗系统
- 主动脉瓣反流预测局限：反映ECG对无电活动结构改变的检测极限
- 阳性预测值偏低：可能导致过度超声检查，需建立风险分层管理路径
临床应用前景
该技术有望革新现有指南：
- 高危人群：强化随访确保及时干预
- 低危人群：减少超声检查频率
- 动态调整：根据预测模型优化治疗策略
结合可穿戴设备的连续监测，可能实现从反应性治疗到前瞻性管理的转变。研究团队强调仍需前瞻性临床试验验证，特别是针对亚临床人群的筛查效果。
结论
Liang等人的研究标志着AI-ECG向预测心脏病学迈出关键一步。通过跨国验证和生物学机制阐释，为未来个性化瓣膜病管理奠定了重要基础。尽管当前模型尚未完全准备好临床部署，但其揭示的动态风险分层潜力为心血管疾病防控提供了新范式。
利益声明
作者声明无相关利益冲突。
资金支持
研究获得美国心脏协会等多项基金资助。
【全文结束】
