因果人工智能在心律失常中的应用：从模式识别到机制洞察Causal AI in Cardiac Arrhythmia: From Pattern Recognition to Mechanistic Insight - AbuBaha - 2026 - Clinical Cardiology - Wiley Online Library

摘要

引言

心律失常仍然是全球心血管疾病发病率和死亡率的主要原因，传统诊断工具如心电图和24小时动态心电监测可能无法检测到短暂或无症状事件。人工智能(AI)和机器学习的最新进展增强了心律失常检测、风险分层和治疗规划能力；然而，大多数现有模型主要依赖统计关联，而非潜在生理机制。

方法

本叙述性综述通过PubMed、Scopus和Google Scholar进行结构化但非系统的文献检索，涵盖2000年至2025年发表的研究。检索词包括"心律失常"、"心房颤动"、"因果推断"、"结构因果模型"、"数字孪生"、"机制建模"、"心脏电生理学建模"和"人工智能"的组合。纳入同行评议的文章，这些文章展示方法学深度，并解决心血管研究中特别是心律失常检测、风险预测、治疗优化或临床验证框架中的因果推断或机制建模方法。研究基于方法学严谨性、转化相关性和时效性进行优先排序。排除缺乏方法细节的社论、非英语出版物以及仅依靠预测模型而不整合因果或机制成分的研究。

结果

因果人工智能(Causal AI)提供了一个更具机制基础的框架，用于理解心律失常的发生和治疗结果。新证据表明，将临床数据与结构因果模型、机制建模和患者特定的数字孪生相结合，可以弥合预测性能与生理可解释性之间的差距。这些方法在预测消融成功率、指导治疗和改善个体化护理方面显示出潜力。

结论

尽管这种潜力巨大，但临床实施仍受到数据异质性、验证挑战和监管限制的限制。

缩写词

• AF：心房颤动（Atrial fibrillation）
• AI：人工智能（Artificial intelligence）
• ECG：心电图（Electrocardiogram）
• ML：机器学习（Machine learning）
• SCM：结构因果模型（Structural causal model）

1 引言

心律失常仍是全球心血管疾病发病率和死亡率的主要贡献因素，特别是心房颤动(AF)和室性心动过速，它们是中风、心力衰竭和心脏性猝死的关键驱动因素[1]。传统诊断工具，如心电图(ECG)记录和24小时动态心电监测，经常错过短暂或无症状的心律失常发作。因此，迫切需要更敏感和可扩展的诊断系统来克服这一限制[2]。近年来，人工智能(AI)和机器学习(ML)的突破彻底改变了心律失常的诊疗方式，从早期检测和风险评估，到优化每位个体的治疗。

使用人工智能分析心电图可以达到甚至优于心脏病专家的准确性[3]。由于深度学习架构，可以提取超出人类感知能力的隐藏波形特征，甚至能够识别出仍处于窦性心律但可能发展为阵发性心房颤动的患者[4]。此外，配备AI的可穿戴设备（包括单导联心电图传感器或光电容积描记传感器）已被报道可检测房颤，敏感性和特异性超过90%[2,5]。苹果心脏研究等研究结果支持基于AI的心律监测的可行性，但实际问题如假阳性警报和随访不足仍然存在[6]。

通过结合人口统计学、临床、影像和遗传信息，基于ML的预测分析现在可以预测AF进展和血栓栓塞事件[7,8]。传统的CHA2DS2-VASc等评分系统已被整合模型一致超越[7,8]。与传统方法相比，AI衍生的风险模型提高了预测术后房颤和中风的准确性[8,9]。

AI在治疗应用中的使用通过数据驱动决策实现个性化治疗选择和操作规划。接受AI引导消融治疗的患者与接受标准肺静脉隔离治疗的患者相比，在12个月时无AF的可能性显著更高（88% vs. 70%，p 0.001）[10]。类似Volta VX1的AI基电解剖标测系统增强了标测准确性和操作安全性[10]。在临床环境中，AI仍面临采用挑战。大多数算法基于小且人口统计学局限的数据集开发，使其泛化能力较低[11]。"黑箱问题"使临床专家对深度学习模型持谨慎态度[11]。路径整合仍面临合规性、数据覆盖、安全性、避免算法偏见和伦理责任等挑战[1,5,11]。

可解释AI(XAI)和因果AI代表相关但概念上不同的范式。XAI方法如SHAP和LIME旨在通过识别影响模型输出的特征来提高透明度；然而，这些方法主要反映的是预测模型学到的统计关联，而非经过验证的干预效果[12-14]。相比之下，因果AI基于结构因果模型、反事实推理和干预推断，这是因果推理理论中正式化的[15-17]。通过明确建模结果如何随干预而变化，因果AI超越了归因，走向机制性和临床可操作的推理。在本手稿中，这些术语被有意且不互换使用。

我们希望使用AI和ML以更精确和灵活的方式诊断和治疗心律失常，但要通过仔细测试、明确理解其工作原理并顺利整合到现有医疗系统中，才能真正实现这些技术的价值。当满足这些条件时，心血管医学才能充分受益于这些技术的变革力量。

2 心脏心律失常中的当前AI格局

AI通过自动检测和分类心律，彻底改变了心律失常研究。在早期ML中，使用手工设计特征和传统算法（如支持向量机和随机森林）在MIT-BIH和PhysioNet等基准数据集上取得了强健的诊断性能。随着深度学习的出现，卷积神经网络能够从端到端学习原始ECG信号，开发的Transformer架构捕获了导联间和时间依赖性。尽管有这些进展，大多数模型仍是相关性驱动的，缺乏机制可解释性，限制了其在临床判断和生理理解方面的适用性。

2.1 心律失常检测中的机器学习

Acharya等人进行了一项回顾性计算研究，使用MIT-BIH心律失常数据库，证明支持向量机分类器可以使用手工设计的ECG特征（包括RR间期、QRS形态和心率变异性指数）将正常窦性心律与心律失常节律区分开来，准确率超过95%。手工设计特征是通过将生理理解转化为数字输入，如不规则RR间期可能表示AF，延长QRS持续时间可能表示心室传导延迟[18]。

根据Chazal等人，使用间隔和形态特征训练的Logistic回归和随机森林算法能够对心室异位搏动进行分类，敏感性超过90%。研究强调了基于心脏电生理学专业知识的特定领域特征工程，表明经典ML方法在得到电生理学专业知识支持时可用于检测心律失常[19]。

尽管如此，这些早期方法也受到某些限制。手工设计和调整特征需要针对每种心律失常类型，限制了数据集和患者人群之间的可扩展性。因此，虽然传统ML在应用于MIT-BIH和PhysioNet等标准化数据集时达到高准确率，但当应用于真实世界或异质性数据时，性能往往下降。

2.2 深度学习和端到端模式识别

Hannun等人在一项前瞻性验证研究中使用超过9万个来自可穿戴传感器的单导联ECG记录，卷积神经网络能够准确分类12种心律，达到心脏病专家级别的准确度，平均F1分数为0.83。该模型直接从原始ECG中学习，首次证明深度学习可以以专家级别准确度检测心律失常，无需手工设计特征[20]。

根据Yildirim等人，MIT-BIH心律失常数据库用于开发混合卷积-长短期记忆(CNN-LSTM)架构，捕获ECG信号分析中的空间形态和时间依赖性。通过实现对间歇性心律失常（如AF和早搏）的顺序建模，该模型在多个心律失常类别上实现了99%的准确率[21]。

Dong等人展示了一种基于Transformer的注意力网络用于多导联ECG分类。除了通过利用自注意力捕获长距离和导联间依赖性将AF检测敏感性提高6%外，该模型还产生了解释性注意力图，突出诊断相关波形区域，提供了向更透明、临床意义更明确的深度模型迈进的一步[22]。

所有这些研究都指出了从基于特征到端到端深度学习的转变，后者可以自动从多导联记录、动态心电图和可穿戴设备记录等多样化的ECG数据中提取特征。然而，机制解释和临床整合仍然是挑战。

2.3 预测成功与机制理解

尽管深度学习模型达到高预测准确率，但其决策过程通常仍然不透明。研究表明，显着性和归因方法可以突出影响模型预测的ECG段，但这些区域并不总是对应于临床意义的心电生理特征[22]。此外，模型可能会利用伪相关，如基线伪迹，导致心律误分类[23]。即使能够从窦性心律ECG检测AF的高度准确系统也可能依赖于替代统计标记，而非因果机制[24]。

这些发现强调了预测性能和机制理解之间持续的差距，强化了需要整合生理建模和因果推理的方法。

2.4 心脏病学中AI的当前局限性

类别不平衡，特别是罕见心律失常的代表性不足，降低了应用于异质临床数据集时模型的敏感性[25]。因此，不太常见但临床意义重大的心律可能被误分类。解决此问题需要数据增强、合成数据生成和类别加权优化等策略，以提高各种心律失常类别的稳健性。

除了性能问题外，监管要求越来越强调透明度和可审计性。诸如欧盟AI法案等框架强调了高风险医疗应用的可解释性，这强化了临床采用不仅取决于准确性，还取决于可解释性和责任性[26]。

3 因果人工智能(Causal AI)的基础

因果AI是一种复杂的系统，帮助理解并表达数据中观察到的实际原因导致效果，而不仅仅是相关性。它建立了明确区分观察和干预的科学基础，为数据驱动发现提供方法（图1）。

3.1 数据科学中的因果性定义

根据Pearl等人的理论，观察变量与主动设置变量之间的关键概念飞跃由do(·)运算符及其伴随的干预演算明确表达。因此，do演算提供代数规则，允许将某些干预查询转换为表达式，前提是因果图正确编码了数据生成假设，且可从观察数据估计所需条件分布，从而将非正式的"如果"问题转化为正式估计量[17]。然而，Hernán-Robins等人认为，使用潜在结果提供了提出临床因果问题的最自然方式，因为因果主张最终依赖于事实和反事实结果之间的对比，研究者必须识别这些对比[15]。Imbens-Rubin等人指出，潜在结果框架是一个"强制"框架（因为它要求明确声明估计量，例如平均或条件治疗效果），并明确识别从数据到因果结论有效性所需假设（可交换性、一致性和阳性），将研究设计和分析与因果结论的有效性联系起来[16]。

3.2 因果推断的核心方法

Pearl等人的研究表明，有向无环图(DAGs)和结构因果模型(SCMs)通过描绘节点、有向边和结构方程明确表达因果假设，直接通过揭示混杂和中介途径指导识别策略（如后门和前门准则）[17]。Greenland等人证明，因果图构成了流行病学实践的可行工具包，创建最小调整集并揭示经典混杂概念如何对应形式化图形准则。扩展这些工具的范围，Peters等人认为当代因果形式化将科学理论与算法学习重新连接，提供了计算干预分布和在学习算法中包含结构先验的原则性方法[27]。然而，VanderWeele等人强调，当目标是阐明机制时，中介和效果分解必须在反事实术语中进行；因此，观察性研究中合法的中介分析需要明确陈述假设并通过敏感性分析量化未测量混杂如何可能使估计产生偏差[28]。

3.3 从观察数据中进行因果发现

Spirtes等人开发了基于约束的发现算法（如PC家族），并描述如何利用观察数据中的条件独立模式推断因果骨架以生成假设；同时指出由于潜变量混杂和忠实性假设的限制[29]。作为基于约束方法的补充，Shimizu等人引入了LiNGAM，表明在满足线性、无隐藏混杂和非高斯扰动的条件下，即使协方差方法失败时也能恢复因果方向[30]。相比之下，Granger等人的滞后可预测性标准（Granger因果）和后续方法学工作澄清了Granger检验检查时间序列中的定向预测优先级，但本身并不建立机制性、干预级因果关系[31]。最近，Runge等人将因果发现扩展到非线性、非平稳和高维时间序列，展示了在真实生理数据集中显著提高检测能力的算法，这对于多导联ECG和连续可穿戴信号等生理记录非常相关[32]。由于发现算法基于经常在生物环境中违反的强假设，当代实践倾向于结合数据驱动发现与机制先验或模拟器验证的混合工作流，以提高可识别性和生理可解释性[27,32]。

3.4 XAI和因果AI之间的关系

Rudin等人警告说，在高风险环境中仅依赖黑盒模型的事后解释是危险的；因此，当临床决策跟随模型输出时，固有可解释或因果约束的模型更受偏好[12]。为了使归因更清晰，Lundberg-Lee等人的SHAP作为一致的公理框架用于局部特征归因，帮助理解归因方法，通过Shapley值分解澄清单个预测的归因[13]。类似地，Ribeiro等人提出LIME，证明局部忠实代理模型可以使单个预测对用户可理解。虽然指出局部性和稳定性限制可能导致将解释误解释为干预效果[14]。总体而言，方法学评论指出，最广泛使用的归因方法通常反映预测模型学习的关联，而非验证的干预效果；因此，这些归因应谨慎使用，不应直接用于临床决策[13,14]。Pearl等人以及其它因果理论家声称，需要将SCMs、明确的反事实估计量或干预约束纳入模型框架，才能将描述性解释转化为临床医生可以信任、审核并用于决策的行动性"如果"答案[17,27]（表1）。

表1. 关键因果推断框架的比较概述，概述了其理论基础、优势、局限性和对电生理研究和干预建模的相关性。

4 心脏电生理学的机制洞察（图2）

心脏电生理学描述了心脏电系统背后的机制，该系统产生并传输控制协调心脏收缩的脉冲。每个心肌细胞通过钾离子通道和钠钾泵维持负静息膜电位。当受刺激时，电压门控钠通道快速开放，允许钠离子流入细胞，使其去极化，从而启动心脏动作电位或0期。随后，L型钙通道打开，钙进入细胞，维持平台期并触发肌浆网钙释放，将电活动转化为肌肉机械收缩。当钾离子流出细胞恢复静息电位时，随后发生复极化，使心脏得以放松[33-35]。

电信号通过心脏传导系统组织。过程始于右心房中的窦房结，然后传播到房室结。由于细胞间隙连接减少和细胞尺寸较小，房室结会因少量延迟，使心室在收缩前有足够时间充血，然后通过希氏束和浦肯野纤维传播，将电信号扩散到两个心室，引起强健收缩，将血液泵入肺循环和体循环[36]。此过程中的任何干扰都会导致异常电脉冲，从而导致心律失常。

心律失常的基本机制包括再入、触发活动和传导阻滞。在再入中，电脉冲重新激活一个已经从去极化中恢复的心脏区域。由于心肌梗死等病史中瘢痕组织或纤维化的存在，这种情况会发生。信号再入导致组织异常激活，从而导致心房扑动或室性心动过速。在触发活动中，异常活动发生在复极化期间或之后。早期后除极(EADs)的第一种类型通常由延长的动作电位引起，从而导致额外或过早的搏动，与长QT间期条件（包括尖端扭转型室速）相关。触发活动的另一种类型，延迟后除极(DADs)，通常由细胞内钙超载引起，导致肌浆网中钙积累和自发电流，引起除极。DADs通常见于心力衰竭或洋地黄中毒等钙处理问题的状况。最后，传导阻滞可能由结构性异常（如瘢痕或缺血性损伤）或功能性异常（如电解质失衡或离子通道功能障碍）引起。在结构性传导阻滞中，电脉冲绕过受损区域，导致传导减慢或单向传导，这可能会促进再入电路[33,37-39]。

机制建模对于理解心脏行为如何受离子和结构性机制影响很重要。早期模型（如1952年的Hodgkin-Huxley框架）建立了基础，展示了离子通道如何产生心脏动作电位。Luo-Rudy模型在此基础上整合了钾电流和钠钙动态信息。Courtemanche等人的模型进一步完善，为研究心房电生理学和心律失常机制奠定了基础[35,40,41]。随着时间推移，这些模型发展成多尺度模型，连接细胞变化并将其传递到组织和器官水平。

多尺度模型在离子通道动力学和心脏行为之间架起桥梁，使我们能够创建模拟并探索再入或传导阻滞等机制。Tusscher-Panfilov和O'Hara-Rudy框架整合了心室异质性和人类特定电生理数据[42]。Grandi等人开发了一个强调心房重塑的模型[43]。Trayanova等人的工作提到，将临床成像和电生理数据整合到患者特定的多尺度模拟中会产生更好的模型[35]。Pathmanathan和Gray指出对模型验证和可信度的担忧，注意到组织参数和数值方法的变异性可能影响模拟结果，因此我们需要标准化验证框架来确保这些模型的效度和可靠性[44]。

随着对更复杂机制模型的需求，已尝试使用数据驱动方法和AI整合。实施模式识别的AI可以从大规模数据中提取电生理参数，反映更患者特定的心脏行为。混合机制-AI框架可用于重现心脏活动并推断和理解细胞生理学和心律失常结果之间的关系，这些关系如果手动分析可能会被忽视。AI还可以用于创建患者特定的心脏模型，使用他们的数据，从而创建心脏的数字孪生，用于预测心律失常风险并指导治疗[45-47]。这种实施将允许医生在对患者尝试不同治疗策略之前可视化可能结果。

机制建模允许研究人员操纵并观察难以在实验中分离的特定变化。这些模型对离子通道行为提供精确控制，使研究人员能够看到因果关系和心律失常机制，而不受实际实验中看到的外部因素和混杂变量影响。通过改变特定参数（如间隙连接耦合或钙处理），研究人员能够看到每个因素如何影响心脏节律，不受真实实验中看到的外部因素和混杂变量的影响。然而，这些生物物理模拟也应与实验和临床数据进行验证，以确保可靠性。虚拟实验室结果与临床数据之间的差异可能归因于模型变异性，但也可能提供对空间分辨率或参数选择如何影响模型效度的额外理解。

创建标准化验证框架对于确保这些计算机模型能代表生物机制和结果而不是计算伪影至关重要。不同研究测试了不同模型的可信度。例如，Galappaththige等人应用ASME V&V40框架，将心室模拟的视觉队列与真实临床记录进行比较，以查看模型是否能预测与观察结果相似的结果[48]。他们的结果表明模拟和记录值之间存在R平方值为0.82-0.91的相关性。Potse等人还将患者特定的心室激活模型与LBBB（左束支传导阻滞）患者的记录进行比较，展示了改变的电传导如何解释这些患者中看到的LBBB模式[49]。

机制建模对于理解小变化如何与心脏行为相关联非常重要，AI的整合将通过个性化这些模型并捕获可能被忽视的模式来增强当前模型。随着这些模型的改进，电生理学理论知识与临床心脏病学之间的差距将减少，心律失常风险的更准确预测和治疗计划将被应用。

5 因果AI在心脏心律失常中的应用（图3）

因果AI帮助我们不仅检测模式，还了解心律失常是如何产生的、如何恶化的或对治疗做出反应的。当前研究中可以观察到几个实际例子：识别与疾病发展有因果关系的风险因素、发现心脏电生理学机制之间的关系、预测个性化治疗反应、基于数字孪生的模拟建模以及临床实践中的决策支持系统。虽然这些方法在发展程度上不同，但它们展示了因果推理将生理知识转化为临床行动的潜力。

使用因果推断进行心律失常研究可以识别在生物化学或器官水平上对疾病发展有因果影响的风险因素。Marcus等人使用因果中介分析发现，白细胞介素-6信号通路直接促进心律失常，即使在没有其他风险因素的情况下也是如此，这表明炎症途径在AF中的潜在机制作用[50]。结构性重构可能是心律失常发生的另一因果因素。根据McDowell等人从晚期钆增强MRI生成的计算模型，心房纤维化即使独立于年龄或高血压等人口统计学因素，也显著增加了消融后AF复发的风险[51]。实验证据表明代谢紊乱可能是一种导致电生理重构的因素。Albarado-Ibañez等人的动物实验证实，代谢综合征因素，特别是肥胖和胰岛素抵抗，可以改变窦房结的电活动，从而成为心律失常的来源[52]。总的来说，这些研究指向因果AI方法在解构心律失常易感性背景下的炎症、结构性和代谢途径之间相互作用方面的用途。

因果建模已被用于电生理数据，帮助揭示心脏电事件的因果关系。使用连续心电图记录，Zhao等人设计计算方法，推断心房去极化不稳定性与随后的心室传导延迟之间的因果依赖性，从而能够更早地预测阵发性AF发作[53]。类似地，Pérez-Riera等人引入了一种多模态因果模式，从离子通道多态性开始，最终导致心房结构重构和P波弥散变化。这种模式作为心房纤维化的图形表示，说明遗传和电生理影响如何结合促进心律失常发生[54]。更实验证据支持这些机制联系；De Col等人发现钠通道基因表达水平变化先于可检测的传导速度变化，表明分子水平变化可能是电传导异常的主要因果因素[55]。所有这些发现证明因果推理技术可用于融合分子、电生理和临床数据，建立更完整的心律失常机制模型。

除了风险识别和机制发现，因果推理可以成为个体患者治疗规划的重要工具。反事实建模技术使科学家能够预测在不同场景下不同治疗干预可能如何影响患者结果。Pang等人利用靶向最大似然估计分析治疗效果，发现PR间期延长的患者可能对某些III类抗心律失常药物反应不佳[56]。电生理学研究也暗示治疗效果可能取决于心脏基质特征。Burashnikov等人发现，阿米替林在表现出高度心房传导异质性的患者中减少AF复发的可能性，无论患者年龄或其他健康状况如何[57]。同样，考虑基质级参数的数字建模策略已用于预测各种患者群体的消融结果，展示了因果AI在个性化电生理学中的强大作用[58]。虽然这些工具中的许多仍处于实验阶段，但它们展示了因果推理在1天内对精密电生理学的潜在作用。

基于模拟的建模是因果AI可以有效应用的另一个领域。数字孪生技术使研究人员能够创建反映电生理行为的患者特定心脏虚拟模型，以应对不同干预场景。Sakata等人表明，实施因果推理的数字心脏孪生可以模拟电生理干预（如靶向消融再入电路），从而以高准确性预测活体中的心律失常终止[59]。同样，Chiu等人在一项相关研究中采用了将因果图与物理知情模型集成的神经网络技术，以确定改变模拟电生理环境中的离子通道电导的反事实效果[60]。除了允许在受控环境中测试因果假设外，这些模拟环境还提供了治疗策略的临床前评估。

另一方面，因果推理也正在进入心律失常管理的临床决策支持系统构建。Ma等人证明，在AF检测系统中添加因果关系使识别最可能受益于特定管理策略的患者亚组成为可能[61]。同样，Liang等人发现，用于AF管理的因果决策网络可以证明，与常规率控制方法相比，结构性重构程度较小的患者从节律控制策略中获益更多[62]。设备治疗方面取得进展的前景在于实时因果决策。Li等人分享了植入式起搏系统的经验，该系统配备因果建模单元，允许起搏参数根据预测的反事实结果动态变化，从而更有效地抑制心律失常，而不增加不良事件[63]。

这些应用显示了因果AI在心律失常护理各阶段的巨大潜力，从机制识别到最佳治疗；然而，只有少数实现仍处于计算机或早期实验阶段。临床试验验证仍然有限，大多数系统在投入日常电生理临床应用前需要大量工作。然而，这些研究的总体情况指向因果AI作为连接详细心血管机制研究和高效临床决策制定的桥梁，将复杂的电生理数据转化为可理解的、患者特定的观察（表2）。

表2. 心脏心律失常中因果AI当前应用的摘要，详细说明了核心机制、临床益处和转化限制。

6 挑战与局限性（图4）

许多研究人员将注意力转向心律失常管理中的因果AI。然而，几个结构性限制继续阻碍其可靠临床应用。实际上，文献中反复出现四个主要挑战：数据质量问题、方法和计算问题、因果声明验证不足以及与临床部署相关的伦理或监管问题。尽管许多研究强调头脑风暴解决方案，但所有人都同意，当前心血管数据和医疗保健系统距离支持强大的因果建模还有很长一段路。

6.1 数据相关挑战

文献中确定的一个共同线索是：与标准预测ML相比，因果AI需要数据集的新范式。本质上，预测模型可以通过从过去数据中提取关联来运作，而因果模型需要实验数据来准确地描绘条件或生理变化如何导致不同结果。

心血管医学中很少有数据适用于因果建模，正如几篇论文指出的那样。例如，Dhir等人发现元学习方法可以识别干预的因果效应，即使因果结构不清晰，但也表明当干预错误标记或仅部分记录时，获得可靠结果是一项挑战[64]。在心律失常管理领域，这一问题更为严重，因为许多临床决策（例如起搏调整、药物变化和消融策略）在不同机构间记录方式不同。将异构干预数据集合并时也面临类似问题。Wang等人指出，合并具有不同实验目标或干预定义的多个数据集可能会触发混合因果结构和结构矛盾，导致模型训练失败[65]。这种不一致性使得开发在各种机构或设备平台间工作的通用因果模型变得困难。

此外，时间数据的分割也代表额外问题。进行心律失常发展的纵向研究需要完整的患者历史，而医院文档通常是断续的，最多只能是不完整的。Coupland等人表示，电子健康记录(EHRs)的片段化阻碍了追踪整个生命周期中的疾病过程，特别是当重要生理事件未作为常规实践的一部分记录时[66]。植入式心脏设备提供了持续遥测，原则上可用于克服这一不足。然而，临床背景数据（如治疗变化的原因）通常缺失，使得设备生成的数据意义降低[67]。更普遍地，心血管医学中的AI检查表明，当前大多数心律失常预测模型基于回顾性数据集，这些数据不包含足够的干预细节，无法支持因果推理[68,69]。因此，目前大多数系统仍基于支持预测的关联而非因果理解。

6.2 方法学和计算障碍

除了数据可用性，方法学挑战也限制了因果AI系统的性能和可靠性。主要问题是真实世界临床数据集中的异质性和噪声。

来自可穿戴或动态设备的体表心电图信号可能受到各种来源的严重噪声影响，如运动伪迹、肌肉活动或设备相关干扰。Kalpande等人表示，即使复杂的噪声检测算法也难以泛化到不同条件下获取的数据集，凸显了在真实世界环境中保持模型性能的挑战[70]。此外，电子健康记录的结构变异性增加了更多复杂性。Chung等人指出变量不一致编码、临床变量缺失和患者历史分散等因素限制了AI模型可用的预测变量数量，从而限制其解释复杂生理交互的能力[71]。这些问题在因果建模中最为严重，因果建模依赖于多个交互变量之间关系的准确表示。

文献中的多篇文章指出，通过在模型设计中整合因果结构可以增强对这种变异性建模的稳健性。例如，Wang等人表明，在神经网络结构中整合因果推理方法可以减少ECG分类任务中噪声和混杂元素的影响[72]。另一方面，这种方法依赖于高质量训练数据的可用性和明确的因果假设。其他作者强调数据预处理和标准化数据采集技术的作用。Rahman等人解释说，数据增强方法不仅有助于处理稀缺训练数据，还有助于使模型更好地泛化到不同患者群体[73]。此外，对心脏诊断AI的总体审查也反映了不同机构的一致数据收集协议是可靠模型部署的主要障碍[74]。

对于心血管AI研究，方法论标准的严格遵守正逐渐形成共识。Van Royen等人提出了预测模型的几个质量标准，如开放和清晰的报告、严格验证程序以及可重现的开发流水线[75]。当涉及因果AI时，这些规则尤其重要，因为因果关系的误解可能会使整个系统偏离。

6.3 验证与可解释性

另一个经常提到的限制是验证因果AI模型的挑战。传统预测系统通常通过准确率或曲线下面积等指标进行评估，而因果模型需要证明其推断关系对应于实际生理机制。多篇论文提出了基于模拟的验证框架作为策略。例如，Sufian等人建立了模拟管道，创建合成患者轨迹，以在受控环境中测试因果假设[76]。多组学模拟环境也被提出用于评估AI生成的心血管疾病生物通路，这些环境可作为算法预测的生物学动机测试平台[77]。

然而，关于可解释性方法是否足以单独验证因果模型的争论仍在继续。像Salih等人一样，许多人认为XAI工具可以帮助理解模型如何得出预测，但不能保证其依赖的因果关系准确[78]。如果没有实验或前瞻性验证，解释可能只是训练数据中的统计伪迹，而非真实生理机制。因此，从方法论角度看，可解释性和因果性之间的区别是一个重大挑战。AI系统通常提供特征重要性评分或视觉解释，但不能保证识别出的关系实际上代表心脏电生理学中的因果过程。

6.4 伦理、监管和临床关切

除了技术问题外，将因果AI用于医疗保健还带来诸多伦理和法律困境，特别是在AI用于高风险心血管条件的临床决策时。

Marey等人指出，黑箱模型损害临床医生信任和患者信心，这在电生理学中尤为重要，其中治疗决策可能具有侵入性或涉及设备植入[79]。偏见和公平问题仍然是关键问题。电生理学AI系统的调查表明，基于有限数据集训练的模型可能在代表性不足的人群中表现不佳，包括性别、种族和设备类型差异[80]。这些差异引起对AI驱动护理公平获取的担忧，并指出需要多样化训练数据集。

几位作者指出，AI应作为临床决策的辅助工具，而非决策者。Mooghali等人认为临床医生应保留治疗决策的最终决定权，但应得到足够支持，以便理解并批判性地评估AI输出[81]。法律专家还指出，当AI系统用于临床决策时，现有责任制度无法处理开发人员、临床医生和医疗机构之间分散的责任[82]。更广泛地说，AI的伦理使用要求保护措施防止算法偏见、误解释和对自动化的过度依赖。因此，彻底的验证措施、临床医生教育和机构监测对确保AI系统支持临床判断而非取代临床判断至关重要。

6.5 临床转化的剩余差距

总之，这些障碍描绘了创新方法与实际临床实施之间的主要差异。尽管因果AI理论上可能比传统建模提供概念飞跃，但该领域的大部分研究仍局限于回顾性数据集、计算机实验或概念创新。通过启动前瞻性试验将因果AI用于真实世界心律失常管理仍然具有挑战性。因此，临床有效性、跨医疗系统的泛化能力以及长期患者结果的证据极为稀缺。此外，支持因果AI决策支持系统的法规要求仍处于开发阶段，标准化验证方案尚未被广泛接受。

这需要多领域的联合努力来解决这些问题。未来研究应优先考虑数据驱动验证，建立统一数据集协议以及开发协作数据共享框架，这些框架在保护患者隐私的同时允许大规模因果分析。此外，临床电生理学中因果AI的利益将通过制定明确的监管和伦理守则得到支持。目前，直到解决这些争议点之前，将因果AI视为一个具有很高潜力但尚未完全实现的工具可能更为恰当。

7 未来方向和机遇

AI正通过从纯模式识别模型向试图捕捉心脏节律障碍潜在生理机制的框架转变，迅速改变心律失常研究。从近期研究看，有几个趋同主题：因果推理与深度学习模型的整合、AI与机制性心脏模拟的耦合、可穿戴技术的实时监控扩展以及使用多模态临床数据的协作学习框架。虽然这些方法共同指向更可解释和临床可操作模型的路径，但在验证、跨数据模态整合和真实世界部署方面仍存在重要方法学挑战。

7.1 因果深度学习方法

最近的文献倾向于一个事实：标准深度学习模型虽然在分类任务中非常精确，但通常缺乏对潜在过程的机制解释。为解决这一不足，几篇论文建议在神经网络架构中整合因果推理或生理建模。

Dalton等人证明，将图神经网络与神经常微分方程相结合，可以将心脏运动和电活动描述为动态图结构，从而从成像数据重建时空心脏动力学[83]。实际上，此方法展示了因果表示如何超越心脏信号中的表面级模式，揭示潜在生理过程。类似地，Wang等人开发了因果ECGNet，一个将ECG特征（如RR间期、QRS形态和心率变异性）之间因果关系整合到卷积和递归神经网络中的模型。系统不仅降低了混杂因素的影响，提高了心律失常分类准确性，还实现了特征重要性解释[72]。

这些证据与Hannun等人的早期发现相一致，后者揭示了深度神经网络可以识别与心律失常相关的复杂ECG模式，包括RR间期微小变化和QRS形态不规则[19]。然而，这项工作也指出了纯数据驱动方法的主要局限性：虽然它们能提取预测模式，但并未设计为解释这些模式的生理基础。因此，当前文献越来越多地聚焦于因果建模，作为平衡预测能力和机制可解释性的途径。尽管如此，方法学障碍依然存在。目前，大多数因果深度学习模型基于假设因果图或生理关系，但可能不足以描述心脏电生理学的全部复杂性。此外，大多数模型基于有限或手工选择的数据集开发，使预测这些模型在其他患者群体和临床环境中的性能和可靠性变得困难。

7.2 与机制性心脏模拟整合

一个新方向是ML与机制性心脏模拟的结合。实际上，机制模型提供了对电生理现象的详细描述，如传导速度、组织异质性和纤维化分布，这些是心律失常发生和持续的主要因素。Colebank等人指出，机制建模提供了理解心律失常机制和对患者特定心脏结构进行虚拟测试的生理学基础方法[84]。

通过将临床数据（如ECG记录和结构成像）与计算模型相结合，科学家可以预测组织特性和传导路径的变化如何导致心律失常。

科学家越来越认为，将机制模型和AI耦合将更好同时促进可解释性和预测。虽然ML模型可以快速处理和分析大型数据集，但机制模拟可能解释预测的原因。然而，实际整合远非简单。机制模拟计算密集，通常需要患者特定解剖数据，这些数据在常规临床情况下通常不可用。因此，设计能在计算效率和生理准确性之间找到最佳平衡的混合模型将成为研究的一个重要焦点。

7.3 实时监控和可穿戴技术

因果AI可被利用的另一个重要领域是可穿戴心脏监测设备的激增。连续生理监测可以记录传统临床测试可能错过的短暂或偶发心律失常。

几项大规模研究已确定可穿戴式心律失常检测的可行性。Perez等人证明，智能手表可以以高阳性预测值大规模发现AF[85]。Zertal等人提出了一个实时深度学习解决方案，可以随ECG信号变化动态适应，提供动态风险估计和心血管事件的先发制人识别[86]。可穿戴ECG技术审查表明，它们在长期监测和早期检测偶发心律失常方面的诊断能力正在增加[87]。所有这些研究结果不仅将可穿戴设备视为捕捉心律失常的另一种工具，而且认为这些设备可能是未来监测系统的组成部分。

然而，可穿戴设备仍不完美，其有限使用已得到证明。首先，可穿戴设备对用户运动非常敏感，导致信号易受伪迹影响，即使最好的运动传感器也无法完全消除。其次，可穿戴数据产生极大数据集，对数据处理、存储和隐私构成挑战。因果推理与可穿戴技术的结合可能解决上述问题，并彻底改变诊断领域。但实证验证和确认分析对于充分探索这些益处至关重要。

7.4 多模态和联邦因果学习

此外，越来越多的共识认为，整合多患者数据源至关重要。心律失常风险受电脉冲、心脏结构特征、临床历史和生活方式因素等复杂混合影响。多模态AI模型通过将不同类型的数据整合到单一分析框架中，尝试理解这些方面。Alasmari等人提出了一种联邦学习架构，结合ECG信号、心脏成像、电子健康记录和生活方式变量，以增强心脏疾病早期检测和个性化管理[88]。在此设置中，因果推理方法确定不同风险因素如何导致心律失常结果，同时通过分散模型训练保护患者隐私。

同样，Goto等人展示了在多个机构之间训练ECG和超声心动图模型的跨国联邦学习网络的可行性[89]。这些协作技术使我们能够利用大型和多样化数据集，而无需直接共享敏感患者信息。这些方法可能解决临床AI模型中的一个长期问题，即当应用于与训练时不同的人群时性能下降。然而，仍存在需要克服的重大问题。联邦学习系统应能处理数据质量异质性、不同机构间临床协议差异以及患者人口统计学变化。此外，在多个数据集上统一因果框架非常复杂，肯定需要进一步的方法学工作。

7.5 转化与临床整合

最终，因果AI方法的真正好处是它们能够促进临床决策制定。传统上，预测模型类似于"黑箱"，可能在临床医生中产生误解，甚至可能阻碍其在医疗系统中的使用。因果推理模型可以作为这一问题的答案，因为它们提供生理上可理解的解释。Gaies等人展示了因果推理方法如何使临床决策支持系统理解患者特定的心律失常风险因素[90]。该系统使用变量交互（如电解质异常、合并症和QT间期测量）和断言心律失常风险由这些因素驱动，产生可解释的、风险升高的解释，并与标准监测策略相比实现更高早期检测率。虽然这些发现表明临床转化的可能性，但临床决策支持工具的广泛部署仍面临许多挑战。例如，临床决策支持工具必须经过患者人群多样性的综合验证，与电子健康记录系统良好集成，并满足医疗软件的监管要求。此外，要让临床医生信任和解释模型输出，需要透明的模型设计和清晰传达因果关系（表3）。

表3. 因果AI在心律失常中的未来方向。

7.6 剩余挑战和研究差距

在所有这些领域中确定了几个主要关切。首先，许多因果AI框架在历史上仅在历史数据集上测试，这可能无法反映临床工作流程。因此，需要前瞻性临床试验来证明临床可靠性。其次，整合ECG信号、成像和电子健康记录等不同类型数据仍然是非常困难的。标准化数据表示并具有互操作框架对充分利用多模态因果学习至关重要。最后，即使因果AI系统预计更具可解释性，但在人类这样复杂生物系统中明确定义因果关系仍是一个挑战。心脏电生理学受细胞、结构和系统水平间复杂交互影响，而当前模型不能准确揭示这些方面。

解决这些问题需要医疗提供者、计算科学家和生物医学工程师之间的团队合作。当做得好时，因果AI方法可以将心律失常研究从预测转变为通过机制理解，导致更准确的诊断、个性化治疗方案和更好的医疗结果。

8 结论

因果AI代表了心脏心律失常研究的希望转变。这种方法将焦点从基于相关性预测转变为实际揭示导致心律失常的生理机制。将因果推理与电生理学、成像和临床数据融合，该领域可以识别真正的疾病驱动因素，预测治疗反应，并最终制定以患者为中心的管理计划。概念上和实际中，因果ECG建模、虚拟心脏孪生和反事实治疗模拟的使用展示了计算机模型如何将复杂的心脏健康数据转化为促进诊断、风险评估和治疗选择的可理解临床片段。

然而，因果AI的广泛临床使用尚未实现，因为需要解决的挑战。研究的一个关键领域是编译广泛的纵向数据集，详细记录干预措施和结果，从而进行更好的因果分析。此外，整合来自各种模态的数据、进行验证因果AI的临床试验以及创建临床医生可理解的模型以获得信任并展示实际生活中的好处至关重要。最后，法律和伦理原则将需要重新考虑，以确保因果AI的部署是安全、公正和负责的。通过临床医生、计算科学家和当局之间的合作，因果AI可以使其心律失常研究更符合机制理解和心血管护理个性化。

致谢

作者无任何内容报告。

资金

作者无任何内容报告。

伦理声明

作者无任何内容报告。

同意

作者无任何内容报告。

利益冲突

作者声明无利益冲突。

数据可用性声明

作者无任何内容报告。

【全文结束】