引言
完全性心脏传导阻滞（CHB），或三度房室传导阻滞，是一种严重的房室传导障碍，其特征是心房与心室活动完全分离。CHB 可导致心室停搏、反复晕厥和突发性心脏死亡，如果未被发现或未经治疗，会带来显著的发病率和死亡率风险。心电图（ECG）仍然是诊断传导系统疾病的基石，但目前基于 ECG 的风险分层——主要依赖于双束支阻滞的识别——对新发 CHB 的敏感性和预测准确性有限。近年来，心血管领域内的人工智能（AI）技术进步展示了 AI 增强心电图（AI-ECG）检测各种亚临床心脏异常的能力，预示着在预后和早期诊断方面具有变革潜力。在此背景下，Sau 等人的研究介绍了 AIRE-CHB，这是一种基于 AI-ECG 的风险评估器，旨在预测新发 CHB，旨在解决传统 ECG 解读中的固有局限性并改善临床决策。
研究背景和疾病负担
完全性心脏传导阻滞因其突然发作和潜在的灾难性后果而代表了一个重要的临床挑战。病理生理学涉及通过房室结或其下方的电传导中断，通常由于退行性纤维化、缺血或浸润性疾病引起。及时识别高危个体可以进行预防性干预，包括起搏器植入，以减轻不良事件。然而，标准的风险分层工具（如 ECG 上双束支阻滞的识别）缺乏强大的预后性能，不能全面捕捉到先于显性 CHB 的亚临床传导异常。开发能够挖掘潜在 ECG 信号以增强风险预测的人工智能方法解决了准确分层患者和指导适当管理策略的未满足临床需求。
研究设计、环境和参与者
这项预后队列研究采用两阶段设计，包括开发和外部验证用于 CHB 的 AI-ECG 风险评估器（AIRE-CHB）。机构衍生队列来自贝斯以色列女执事医疗中心，涵盖了 189,539 名患者的 1,163,401 份 ECG 数据集。外部验证发生在英国生物银行队列中，这是一个已建立的志愿者基础人群数据集，包括 50,641 份 ECG，来自数量相当的参与者。暴露变量是原始数字 ECG 追踪，用于 AI 算法的训练和测试。终点定义为 ECG 检查后 31 天以上的新发 CHB 诊断，确保评估的是新发而非现患疾病。
方法细节
AIRE-CHB 采用了一种优化的时间生存损失函数的残差卷积神经网络架构，专门用于时间事件预测。这种机器学习框架整合了 ECG 信号中的复杂时间和空间特征，生成针对新发 CHB 的个性化风险估计。该算法在大型机构 ECG 存储库上进行了训练，结合了生存分析中固有的删失和竞争风险考虑。外部验证测试了预测性能的稳健性、死亡竞争风险调整以及与传统 ECG 标志（特别是双束支阻滞的存在）的比较有效性。
主要发现
在贝斯以色列女执事队列中，AIRE-CHB 对新发 CHB 表现出优异的区分能力，一致性指数（C 指数）为 0.836（95% CI，0.819–0.854），一年内预测的受试者工作特征曲线下的面积（AUROC）为 0.889（95% CI，0.863–0.916）。相比之下，双束支阻滞的 AUROC 显著较低，为 0.594（95% CI，0.567–0.620），表明其临床效用有限。值得注意的是，根据 AIRE-CHB 分层的最高风险四分位数的患者与最低四分位数相比，发生新发 CHB 的调整危险比（aHR）为 11.6（95% CI，7.62–17.7；P < .001），突显了强烈的预后富集。
英国生物银行队列中的外部验证重申了该模型的性能，C 指数为 0.936（95% CI，0.900–0.972），aHR 为 7.17（95% CI，1.67–30.81；P < .001）。这些结果表明该模型在不同人群中具有优越的泛化能力和稳健性。
专家评论
AIRE-CHB 的引入标志着利用人工智能进行心脏传导障碍风险分层的重大进展。与传统的双束支阻滞评估相比，该模型表现出色，为将其集成到临床工作流程中提供了有力的论据，尤其是对于出现晕厥症状或正在监测传导异常的患者。使用生存损失函数是创新的，允许进行时间风险预测而不是二分类。
然而，一些局限性值得提及。首先，尽管外部验证结果稳健，但仍需在不同的种族和临床环境中进一步研究，以确认可重复性和评估成本效益。深度学习模型的黑箱性质可能阻碍解释性，从而影响临床医生的接受度。此外，研究人群主要来自学术中心和志愿者队列，可能无法完全代表现实世界中的异质性，包括患有严重合并症或少数群体的患者。
从机制角度来看，AI 可能提取了人类读者无法察觉的细微时间传导延迟、微伏级信号变化或其他潜在特征，反映了传导系统的早期病理重塑。因此，AIRE-CHB 体现了临床心脏病学和计算科学的融合，利用高维数据分析增强了预测精度。
结论
AIRE-CHB 的开发和验证表明，人工智能增强的心电图可以显著提高新发完全性心脏传导阻滞的风险分层能力，优于传统的 ECG 标志。这一新工具在临床上具有巨大的潜力，特别是在易患高度房室传导阻滞和突发性心脏事件的人群中。未来的工作应集中在更广泛的验证、与临床风险因素的整合以及实施科学上，以优化患者结局。AIRE-CHB 最终可能会将 CHB 风险评估从二元、粗略的分类转变为连续、个性化的预测，促进精准心脏病学的发展。
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. 人工智能增强心电图在完全性心脏传导阻滞风险分层中的应用。JAMA Cardiol. 2025 年 8 月 20 日：e252522。doi:10.1001/jamacardio.2025.2522。Epub 提前出版。PMID: 40833775；PMCID: PMC12368796。
Stewart S, Murphy NM. 房室传导阻滞：流行病学、病理生理学和临床管理。Heart. 2020；106(17):1342-1348。doi:10.1136/heartjnl-2020-316160。
Attia ZI, Noseworthy PA, Lopez-Jimenez F, et al. 用于识别左心室功能障碍患者的基于人工智能的心电图算法。Circulation. 2019；140(24):1894-1904。doi:10.1161/CIRCULATIONAHA.119.039366。
