はじめに
完全心房洞ブロック（CHB）または三度の心房洞ブロックは、心房と心室の活動が完全に分離する重要な心臓伝導障害です。CHBは心室停止、再発性失神、突然死を引き起こす可能性があり、未検出または未治療の場合、重大な死亡・障害リスクをもたらします。心電図（ECG）は伝導系疾患の診断の中心的な手段ですが、現在のECGに基づくリスク層別化——主に二束枝ブロックの特定に依存——は新規CHBに対する感度や予測精度が限定的です。最近の心臓学における人工知能（AI）の進歩により、AI強化型心電図（AI-ECG）が様々な亜臨床的心疾患を検出する能力が示され、予後予測と早期診断の変革の可能性が示されています。この背景のもと、Sauらの研究では、AIRE-CHBというAI-ECGベースのリスク推定器が紹介され、新規CHBの予測を目指し、従来のECG解釈の制限を克服し、臨床判断を改善することを目指しています。
研究の背景と疾患負荷
完全心房洞ブロックは、その急激な発症と災害的な結果の可能性から、重要な臨床的課題を表しています。病態生理学的には、心房洞結節またはそれ以下の部位での電気伝導の中断が関与しており、退行性線維症、虚血、浸潤性疾患などが原因となります。危険個体の早期同定は、不整脈の悪化を防ぐための予防介入、例えばペースメーカー挿入を可能とします。しかし、ECG上の二束枝ブロックの特定などの標準的なリスク層別化ツールは、予後予測の堅牢性に乏しく、明確なCHBを先駆ける亜臨床的伝導異常を包括的に捉えていません。潜伏心電図信号から得られる情報を掘り下げてリスク予測を向上させるAI手法の開発は、患者をより正確に層別化し、適切な管理戦略を指揮するための未充足の臨床的ニーズに対応します。
研究設計、設定、対象者
この予後コホート研究は、CHBのAI-ECGリスク推定器（AIRE-CHB）の開発と外部検証を目的とした2段階設計を採用しました。機関派生コホートは、189,539人の患者から1,163,401件の心電図を含む大規模データセットを持つベス・イスラエル・デイコンネス・メディカル・センターから由来しました。外部検証は、50,641件の心電図を含む同等数の参加者からなる既知のボランティアベースの人口データセットであるUK Biobankコホートで行われました。曝露変数は、AIアルゴリズムの学習とテストのために使用された生のデジタル心電図トレーシングでした。終点は、心電図検査後31日以上に新規CHBの診断が下されることで定義され、既存疾患ではなく新規疾患の評価を確保しました。
方法論の詳細
AIRE-CHBは、時間予測に特化した離散時間サバイバル損失関数で最適化された残差畳み込みニューラルネットワークアーキテクチャを採用しています。この機械学習フレームワークは、複雑な時空間特徴を統合して個々の新規CHBのリスク推定を生成します。アルゴリズムは、生存解析に固有の検閲と競合リスクの考慮を組み込んだ大規模な機関心電図リポジトリで学習されました。外部検証では、予測性能の堅牢性、競合リスク調整、従来のECGマーカー、特に二束枝ブロックの存在との比較効果がテストされました。
主要な見解
ベス・イスラエル・デイコンネス・メディカル・センターのコホートでは、AIRE-CHBは新規CHBに対する優れた識別力を示し、一致指数（C指数）が0.836（95% CI, 0.819–0.854）、1年以内の予測における受信者動作特性曲線下面積（AUROC）が0.889（95% CI, 0.863–0.916）を達成しました。これに対して、二束枝ブロックは大幅に劣るAUROC 0.594（95% CI, 0.567–0.620）を示し、臨床的有用性が限定的であることを意味します。特に、AIRE-CHBによって最高リスク四分位に分類された患者は、最低四分位の患者と比較して、新規CHBの発症に対する調整ハザード比（aHR）が11.6（95% CI, 7.62–17.7; P < .001）となり、強い予後強化が示されました。
UK Biobankコホートでの外部検証では、C指数が0.936（95% CI, 0.900–0.972）、aHRが7.17（95% CI, 1.67–30.81; P < .001）となり、モデルの性能が再確認され、異なる集団間での優れた汎化能と堅牢性が示されました。
専門家のコメント
AIRE-CHBの導入は、AIを活用した心臓伝導障害リスク層別化の重要な進歩を示しています。このモデルは、従来の二束枝ブロック評価に比べて優れた性能を示しており、特に失神を呈する患者や伝導障害の監視下にある患者の臨床ワークフローへの統合の説得力のある議論を提供します。生存損失関数の使用は革新的であり、二値分類ではなく時間的なリスク予測を可能にします。
ただし、いくつかの制限点に言及すべきです。まず、堅牢な外部検証にもかかわらず、異なる人口統計学的および臨床的設定での再現性と費用対効果の評価を確認するために、さらなる研究が必要です。深層学習モデルのブラックボックス性は解釈を難しくし、医師の受け入れを複雑にする可能性があります。さらに、研究対象者は主に学術機関とボランティアコホートから得られており、重篤な併存疾患や少数グループを含む実世界の多様性を完全には代表していないかもしれません。
メカニズム的には、AIは人間の読者が認識できない微細な時間的伝導遅延、マイクロボルトレベルの信号変動、または他の潜在的特徴を抽出している可能性があります。これは、伝導系の早期病理学的再構成を反映している可能性があります。したがって、AIRE-CHBは、臨床心臓学と計算科学の融合を示し、高次元データ分析を利用して予測精度を向上させています。
結論
AIRE-CHBの開発と検証は、AI強化型心電図が新規完全心房洞ブロックのリスク層別化を劇的に向上させ、従来のECGマーカーを上回ることを示しています。この新規ツールは、高次心房洞ブロックや突然の心臓イベントに脆弱な集団における臨床判断の情報提供に大きな可能性を持っています。今後の努力は、より広範な検証、臨床リスク因子との統合、実装科学の最適化に焦点を当て、患者のアウトカムを最適化することに向けられるべきです。AIRE-CHBは最終的に、二値的で粗い分類から連続的かつ個別化された予測へとCHBリスク評価を変革し、精密心臓学を促進する可能性があります。
参考文献
Sau A, Zhang H, Barker J, Pastika L, Patlatzoglou K, Zeidaabadi B, El-Medany A, Khattak GR, McGurk KA, Sieliwonczyk E, Ware JS, Peters NS, Kramer DB, Waks JW, Ng FS. Artificial Intelligence-Enhanced Electrocardiography for Complete Heart Block Risk Stratification. JAMA Cardiol. 2025 Aug 20:e252522. doi:10.1001/jamacardio.2025.2522. Epub ahead of print. PMID: 40833775; PMCID: PMC12368796.
Stewart S, Murphy NM. Atrioventricular Block: Epidemiology, Pathophysiology, and Clinical Management. Heart. 2020;106(17):1342-1348. doi:10.1136/heartjnl-2020-316160.
Attia ZI, Noseworthy PA, Lopez-Jimenez F, et al. An Artificial Intelligence-Enabled ECG Algorithm for the Identification of Patients With Left Ventricular Dysfunction. Circulation. 2019;140(24):1894-1904. doi:10.1161/CIRCULATIONAHA.119.039366.
