ハイライト
- AI強化心電図（AI-ECG）モデルは、特定の心疾患だけでなく、多くの心血管現象との関連も広範に示しています。
- AI-ECGモデルの現象型関連は、異なる心血管疾患標的間で高度に関連しており、共有された検出パターンを示しています。
- これらのモデルは新規心血管疾患の予測を行い、現在の二値診断ツールとしての役割を疑問視し、包括的な心血管リスクバイオマーカーとしての利用を推奨しています。
研究背景と疾患負荷
心血管疾患（CVD）は、世界中で依然として死亡率と病態の主な原因であり、早期発見とリスク層別化は、適時介入と改善した結果のための重要な要素です。心電図（ECG）は、心電生理活動を反映する非侵襲的な一般的なツールで、さまざまな心疾患の診断に広く使用されています。
人工知能（AI）の進歩により、左室収縮機能不全（LVSD）、大動脈弁狭窄症（AS）、僧帽弁逆流（MR）、左室肥大（LVH）などの特定の解剖学的および機能的心疾患を識別するためのAI強化心電図モデルが開発されました。これらのモデルは、意図した標的に対する高い診断精度を誇っていますが、その現象型選択性（特定の状態に特異的な分類器として機能するか、またはより広範な心血管リスクマーカーとして機能するか）は不明瞭です。この選択性を理解することは重要です。なぜなら、臨床的有用性はこれらのAI出力が何を表しているかの正確な解釈に依存するからです。
研究デザイン
この大規模観察研究では、電子健康記録（EHR）と前向きコホート研究から派生した4つの異なる集団が含まれ、233,689人のデータが集約されました（平均年齢59±18歳、女性56%）。各個人につき1つのランダムなECGのみが分析されました。
6つのAIモデルが展開され、そのうち5つはLVSD、AS、MR、LVH、および複合構造性心疾患（SHD）モデルを検出するための画像ベースのAI-ECG分類器でした。さらに、生物学的性別の予測に訓練された否定的制御モデルと、非心疾患条件のための6つの新しいモデルが含まれました。
EHRとコホートデータベースからの診断コードは、フェノムワイド関連研究（PheWAS）フレームワークを通じて解釈可能な現象型に変換されました。AI-ECG由来の確率と断面的現象型との関連はロジスティック回帰で評価され、新規心血管疾患との前向き関連はコックス比例ハザード回帰で評価されました。モデル間の現象型シグネチャの類似性を評価するために、ピアソン相関係数が計算されました。
主要な知見
すべての5つの検証済みAI-ECGモデルは、それぞれの標的現象型（例：LVSDモデルとLVSD診断）との強い統計的に有意な関連を示し、診断の妥当性を確認しました（p<10⁻⁶）。より重要なのは、これらのモデルが元の標的を超えて、他の多くの心血管現象型との同程度またはより顕著な関連を示したことです。
心血管現象型と非心血管現象型との関連のオッズ比は2.16から4.41の範囲で、心血管病理の優先検出を示唆しています。対照的に、性別予測モデルはそのような心血管特異性を示しませんでした。
異なる条件で訓練されたAI-ECGモデル間の現象型関連パターンは非常に類似しており、ピアソン相関係数は0.67から0.96の範囲でした。この高一致は非心血管モデルには見られませんでした。これらの知見は外部データセットにおいても、断面的および前向き分析においても一貫して再現可能でした。
前向き分析では、AI-ECGによる予測確率が多様な心血管状態の新規発症を有意に予測することが示され、これらのモデルが孤立した現象型の足跡ではなく、潜在的な心血管リスク信号を捉えていることを示唆しています。
専門家コメント
これらの結果は、AI-ECGモデルが特定の心疾患に特化した狭い二値分類器として機能するという既存の概念に挑戦しています。代わりに、高い現象型選択性の重複と広範な心血管関連は、これらのモデルが複数の疾患状態にわたる収束した生理学的および病理生理学的心機能変化を検出することを示唆しています。
この多機能検出能力は、AI-ECGを統合された心血管バイオマーカーとして使用する新たな道を開きます。これは、孤立した疾患スクリーニングではなく、包括的なリスク評価を提供します。臨床医は、肯定的なAI-ECG結果をより広範な心血管コンテキストで解釈し、包括的な心血管リスク評価とモニタリングを促進するべきです。
ただし、限界としては、診断コードが真の臨床現象型を完全に捉えていない可能性や、集団間での疾患の頻度の違いがあります。多様な臨床設定での前向き検証と、AI-ECGによって識別された基礎メカニズム信号の探求により、臨床応用がさらに洗練されるでしょう。
結論
AI強化心電図モデルは、当初特定の診断分類器として設計されていましたが、広範な心血管現象型関連を示し、未来の心血管疾患の発症を予測します。この現象型の非選択性は、二値診断ツールから多目的心血管バイオマーカーへのパラダイムシフトを支持し、早期発見、リスク層別化、および潜在的な精密医療戦略の向上に寄与します。
AI-ECGを臨床ワークフローに統合する際には、包括的な心血管リスク洞察を活用し、従来の診断フレームワークを補完する必要があります。今後の研究は、AI由来の特徴のメカニズム解明、前向き臨床有用性研究、およびモデルの最適化に焦点を当て、心血管ケアへの影響を最大化することを目指すべきです。
参考文献
Croon PM, Dhingra LS, Biswas D, Oikonomou EK, Khera R. Phenotypic Selectivity of Artificial Intelligence-enhanced Electrocardiography in Cardiovascular Diagnosis and Risk Prediction. Circulation. 2025 Sep 1. doi: 10.1161/CIRCULATIONAHA.125.076279. Epub ahead of print. PMID: 40888124.
Attia ZI, Noseworthy PA, Lopez-Jimenez F, et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet. 2019;394(10201):861-867. doi:10.1016/S0140-6736(19)31721-0
Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019 Jan;25(1):44-56. doi: 10.1038/s41591-018-0300-7.
