ハイライト
- ノイズ適応された単一リード心電図データで訓練されたAIアルゴリズムは、異なる人口集団間で新規発症心不全（HF）リスクを堅牢に予測できます。
- 単一リードI心電図から派生したAIモデルは、ウェアラブルデバイスシミュレーション心電図信号を使用して左室収縮機能障害（LVSD）、心不全の重要な前駆症状を識別します。
- AI-ECGは、確立された臨床的心不全リスクスコア（PCP-HF、PREVENT）と比較して、差別力とリスク再分類を大幅に向上させます。
- YNHHS、UK Biobank、ELSA-Brasilコホートでの多国籍検証は、広範な一般化可能性と、スケーラブルな地域ベースの心不全リスク層別化の潜在力を確認しています。
背景
心不全は、治療の進歩にもかかわらず増加傾向にある世界的な死亡原因であり、特に早期に心不全のリスクがある個人を特定することは、時間的な介入と証拠に基づく病態修飾療法を可能にする上で重要です。伝統的なリスク層別化は、主に臨床変数と包括的な診断に依存しており、特にコミュニティや資源制約環境ではスケーラビリティに制限があります。
携帯型およびウェアラブル心電図デバイスは、大規模かつ低コストの心不全リスクスクリーニングの魅力的な機会を提供します。しかし、生の単一リード心電図データは、12リード心電図よりもノイジーで情報量が少ないことが多いです。人工知能（AI）、特に深層学習は、低品質データからも潜在的な心臓機能不全や将来の心不全イベントを予測するための特性を抽出するツールを提供します。
最近公開されたDhingraらによる多国籍後ろ向き・前向きコホート研究（2025年）は、ノイジーなリードI心電図から心不全の発症を予測するAI-ECGモデルを評価し、アクセス可能なスケーラブルな心不全リスク層別化の重要な臨床ギャップに対処しています。
主要な内容
研究デザインとコホート
Dhingraらは、192,667人の心不全既往のない患者を含むYale New Haven Health System（YNHHS）の大規模後ろ向きコホートと、UK Biobank（UKB、n=42,141）、Brazilian Longitudinal Study of Adult Health（ELSA-Brasil、n=13,454）の前向き人口ベースコホートを分析しました。
基線臨床特性は、幅広い年齢範囲と混合性別分布（中央年齢51〜65歳、女性52%〜58%）で、主要アウトカムである心不全入院の長期フォローアップ期間は3.1〜4.6年でした。
AI-ECGモデルの開発と展開
モデルは、ウェアラブル心電図デバイス特有のノイズを模倣したリードI心電図セグメントから左室収縮機能障害（LVSD）を検出するために訓練されました。このノイズ適応は、消費者グレードのポータブルモニターからの実世界の信号品質を反映することを目指していました。
AIモデルは、LVSDリスクを示す連続的な確率スコアを出力し、その後、新規発症心不全イベントとの相関を評価しました。モデルは、予測の妥当性と一般化可能性を評価するために、すべての3つのコホートで盲検テストされました。
主要な結果
– フォローアップ中の新規心不全の発症率は、YNHHSで1.9%、UKBで0.1%、ELSA-Brasilで0.2%でした。
– LVSDに対するAI-ECGスクリーニングが陽性だった場合、その後の心不全入院のハザード比は3〜7倍に増加しました。
– AIモデルの確率が0.1増えるごとに、年齢、性別、併存疾患、競合する死亡リスクに関係なく、ハザード比が27%〜65%増加しました。
– 心不全発症予測のHarrel C統計量は、コホート間で0.723〜0.828で、良好な差別力が一致しました。
– 通常の心不全リスクスコア（PCP-HF、PREVENT）にAI-ECGを追加すると、差別力（C統計量の増加0.069〜0.107）、統合差別改善（0.068〜0.205）、純粋な再分類改善（11.8%〜47.5%）が向上しました。
比較予測性能
PCP-HFとPREVENT方程式は、人口統計学的および臨床的リスク要因に基づいた検証済みの臨床ツールであり、中程度の予測能力を示しました。AI-ECGの確率的出力は、微妙な電気生理学的マーカーを含むLVSDと前臨床期機能不全を含めることで、統計的に有意かつ臨床的に意味のある心不全発症予測の改善をもたらしました。
多国籍および多システム検証
異なる医療システムと地理的地域から得られた検証コホート、異なる患者の人口統計学的特性と心不全発症率は、AI-ECGアプローチの堅牢性と広範な適用可能性を強調し、異なる臨床コンテキストでの今後の実装を支持しています。
専門家コメント
Dhingraらの研究は、心血管リスク評価のパラダイムを前進させ、容易に入手可能な単一リード心電図信号からAIガイドの心不全リスク層別化の実現可能性を示しています。このアプローチは、精密医療の目標と一致し、亜臨床期LVSDを持つ個人の早期識別を可能にし、強化された監視や予防療法の恩恵を受ける可能性のある個人を特定します。
重要な強みの1つは、ウェアラブル心電図モニターの信号特性を現実的にシミュレートするノイズ適応技術です。これにより、消費者グレードのデジタルヘルステクノロジーとの統合へのモデルの準備が整います。これは、専門化された心臓病センター以外での民主化された心不全リスクスクリーニングの道を開きます。
ただし、広範な臨床展開の前にいくつかの課題が残っています。実際のウェアラブル心電図デバイスを使用した前向き研究が必要であり、回顧的に抽出された信号を超えた実世界のノイジーなデータでのモデル性能の確認が必要です。AI-ECG出力を臨床意思決定と組み合わせるワークフローの定義、コスト効果、患者の順守、陽性スクリーニングによって引き起こされる管理パスが必要です。
病理生理学的には、AIは、伝統的な心電図解釈では見逃される可能性のある心筋収縮力の低下やリモデリングによって引き起こされる微妙な電気生理学的波形の変化を捉えている可能性があります。今後の研究では、AI予測LVSDの生物学的および電気生理学的相関を探索し、新しい治療標的を案内することが望まれます。
さらに、AIは確立されたリスクスコアを上回ったものの、ナトリウム利尿ペプチドなどのバイオマーカー、画像、臨床データを組み込んだ多様な手法が予測力をさらに向上させる可能性があります。
結論
この包括的な多国籍コホート分析は、ノイズ適応されたAIモデルが単一リードI心電図を解析することで、未来の心不全リスクを堅牢に予測し、無症状の個人におけるLVSDを識別できることを示しています。AI-ECGモデルは、既存の臨床リスクツールを上回り、異なる人口集団間で一貫した差別力を示しています。
これらの結果は、ウェアラブル心電図技術を活用したスケーラブルで地域ベースの心不全リスク層別化の変革的な戦略を示唆しています。臨床的影響を実現するためには、前向き検証、ケアパスへの統合、AI-ECGベースのスクリーニング後の患者アウトカムの評価が重要な次のステップです。
全体として、AIを活用した単一リード心電図解析は、早期心不全検出と個別化予防の現在のギャップを埋める有望な手段であり、世界中の心不全負荷の軽減につながる可能性があります。
参考文献
- Dhingra LS, Aminorroaya A, Pedroso AF, Khunte A, Sangha V, McIntyre D, Chow CK, Asselbergs FW, Brant LCC, Barreto SM, Ribeiro ALP, Krumholz HM, Oikonomou EK, Khera R. Artificial Intelligence-Enabled Prediction of Heart Failure Risk From Single-Lead Electrocardiograms. JAMA Cardiol. 2025 Jun 1;10(6):574-584. doi: 10.1001/jamacardio.2025.0492. PMID: 40238120; PMCID: PMC12004248.
- Jhund PS, MacIntyre K, Simpson CR, Lewsey JD, Stewart S, Redpath A, McMurray JJ. Long-term trends in first hospitalization for heart failure and subsequent survival between 1986 and 2003: A population study of 5.1 million people. Circulation. 2009 Aug;119(4):515-523. doi: 10.1161/CIRCULATIONAHA.108.816491.
- Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLoS One. 2017;12(4):e0174944. doi: 10.1371/journal.pone.0174944.
- Berdichevskaia M, Bailey K, McCarthy CP, Gupta D, Qintar M, Bhatt DL, Mentz RJ. Machine learning for risk prediction in heart failure: A systematic review. JACC Heart Fail. 2022 Oct;10(10):748-757. doi:10.1016/j.jchf.2022.06.007.
