亮点
- 使用12导联ECG特征的机器学习模型能够有效分层胸痛患者长期死亡风险。
- 额外生存树模型显著优于传统的HEART评分，减少了超过90%的漏诊事件。
- 该模型在大型独立队列中进行了外部验证，证实了其在不同患者群体中的预测准确性。
- 有助于优化疑似急性冠状动脉综合征（ACS）患者的临床决策和资源分配。
研究背景与疾病负担
胸痛是导致急诊科就诊的常见症状，急性冠状动脉综合征（ACS）是其中需要紧急评估的潜在致命原因之一。早期且精确的风险分层对于指导后续治疗强度和资源分配至关重要。目前的工具如HEART评分结合了临床、肌钙蛋白和ECG成分，但在预测死亡风险方面的敏感性和特异性有限。12导联心电图（ECG）在急诊环境中的广泛可用性和持续使用提供了丰富的数据集，可用于高级分析技术，如机器学习，这可能提高疑似ACS患者的预后判断。这种方法可以更早地识别出可能从强化护理中受益的高危个体，以及安全出院的低危患者。
研究设计
这项前瞻性观察队列研究纳入了连续出现非创伤性胸痛的成年患者。研究队列包括4015名患者，平均年龄为59岁，其中47%为女性。提取ECG数据以定义每名患者的73个形态学特征。这些特征作为输入用于六种不同的生存分析机器学习模型，训练数据占80%，使用10折交叉验证，测试数据占20%。经过算法优化后，应用变分贝叶斯高斯混合模型将患者分类为不同的风险组（低、中、高）。最终模型的性能与已建立的HEART评分在预测全因死亡率方面进行了比较，通过CDC国家死亡指数等多源数据进行确认。外部验证在来自不同人群的3095名独立队列患者中进行。
主要发现
在测试的模型中，额外生存树表现出优越的预测性能。在推导队列中，中位随访时间为3.05年，死亡率为20.3%。该模型有效地将患者分为低、中、高风险组，具有显著的生存差异（对数秩检验统计量=121.14，P < .001）。与HEART评分相比，它将漏诊致命事件的比率减少了超过90%，达到了93.4%的阴性预测值和85.9%的敏感性，而HEART评分分别为89.0%和75.0%。这一改进表明能够更可靠地识别真正处于风险中的患者。在外部队列（平均年龄59岁，44%为女性，30天死亡率为3.5%）中，中风险和高风险组的死亡率显著升高——分别为3.62（95% CI 1.35-9.74）和6.12（95% CI 2.38-15.75），与低风险患者相比。这些发现强调了机器学习方法在死亡风险分层方面的可重复性和普遍性。
专家评论
在机器学习框架中使用ECG形态学特征利用了人类解释难以察觉的细微心脏电活动模式。本研究的稳健队列规模、前瞻性设计、全面的随访和外部验证增强了其临床相关性。通过超越HEART评分，所提出的模型可能为管理疑似ACS的临床医生提供更精确的风险评估工具，实现个性化治疗强度和医疗资源的合理利用。然而，常规临床实践中的采用需要与临床工作流程的整合、在不同人群中的进一步验证以及基于结果的前瞻性试验来评估对患者管理和预后的影响。另一个限制是该模型关注的是全因死亡率而非特定心血管事件，这可能需要进一步研究。机制上，细微的ECG波形模式可能反映了潜在的心肌缺血或损伤、心律失常倾向或传导异常，这些都与死亡风险有关。
结论
本研究表明，仅使用12导联ECG形态学特征的机器学习模型可以有效分层胸痛患者的死亡风险，超越了传统的临床评分系统如HEART评分。外部验证确保了其在不同患者队列中的适用性。这一技术进步对精准心血管护理具有重要的意义，提供了一个可访问、快速且可扩展的工具，以增强风险预测并支持个体化的临床决策。未来的研究应集中在与多模态诊断数据的整合、前瞻性临床试验以及探索ECG特征与心脏病理之间的机制联系，以充分实现急性冠状动脉综合征管理中的精准医疗。
参考文献
Bouzid Z, Sejdic E, Martin-Gill C, Faramand Z, Frisch S, Alrawashdeh M, Helman S, Gokhale TA, Riek NT, Kraevsky-Phillips K, Gregg RE, Sereika SM, Clermont G, Akcakaya M, Zègre-Hemsey JK, Saba S, Callaway CW, Al-Zaiti SS. 基于心电图的机器学习用于疑似急性冠状动脉综合征患者的风险分层。Eur Heart J. 2025 Mar 7;46(10):943-954. doi: 10.1093/eurheartj/ehae880. PMID: 39804231; PMCID: PMC11887543.
