亮点
- 人工智能增强心电图（AI-ECG）模型不仅能够检测特定的心脏状况，还与众多心血管表型广泛相关。
- 不同心血管疾病目标的AI-ECG模型的表型关联高度相关，表明存在共享的检测模式。
- 这些模型可以预测新发心血管疾病，质疑其当前作为二元诊断工具的作用，并支持其作为全面心血管风险生物标志物的效用。
研究背景与疾病负担
心血管疾病（CVD）仍然是全球致病率和死亡率的主要原因。早期检测和风险分层对于及时干预和改善预后至关重要。心电图（ECG）是一种普遍、无创的工具，反映了心脏的电生理活动，常用于诊断各种心脏异常。
随着人工智能（AI）的发展，已经开发出能够识别特定解剖和功能心脏异常的AI增强心电图模型，如左室收缩功能障碍（LVSD）、主动脉瓣狭窄（AS）、二尖瓣反流（MR）和左室肥厚（LVH）。尽管这些模型对其目标疾病的诊断准确性很高，但它们的表型选择性——即它们是否仅作为特定条件分类器或更广泛的心血管风险标记——仍不清楚。了解这种选择性至关重要，因为临床效用取决于对这些AI输出所代表内容的精确解释。
研究设计
这项大规模观察性研究纳入了来自电子健康记录（EHR）和前瞻性队列研究的四个不同人群，汇总了233,689名个体的数据（平均年龄59±18岁；56%为女性）。每名个体仅分析一次随机心电图。
部署了六种AI模型，包括五个经过验证的基于图像的AI-ECG分类器，用于检测LVSD、AS、MR、LVH和一个复合结构性心脏病（SHD）模型。此外，还包括一个用于生物性别预测的阴性对照模型，以及六个用于非心血管条件的新模型。
通过表型全基因组关联研究（PheWAS）框架，将EHR和队列数据库中的诊断代码转化为可解释的表型。通过逻辑回归评估AI-ECG衍生概率与横断面表型之间的关联，使用Cox比例风险回归评估与新发心血管疾病的前瞻性关联。计算各模型间表型特征的皮尔逊相关系数以评估相似性。
主要发现
所有五个经过验证的AI-ECG模型均与其各自的目标表型表现出强烈且具有统计学意义的关联（例如，LVSD模型与LVSD诊断），确认了其诊断有效性（p<10⁻⁶）。更重要的是，这些模型还与其他广泛的心血管表型表现出类似或更显著的关联，超出了其原始目标。
心血管表型与非心血管表型的关联比值比范围为2.16至4.41，表明心血管病理学的优先检测。相比之下，性别预测模型未表现出此类心血管特异性。
不同条件下训练的AI-ECG模型之间的表型关联模式非常相似，皮尔逊相关系数范围为0.67至0.96。这种高一致性在非心血管模型中并不存在。这些发现在外部分析数据集中以及横断面和前瞻性分析中均具有一致的可重复性。
前瞻性分析表明，AI-ECG预测的概率显著预示了多种心血管条件的新发，表明这些模型捕捉到了潜在的心血管风险信号，而不仅仅是孤立的表型足迹。
专家评论
这些结果挑战了AI-ECG模型作为针对特定心脏疾病的窄二元分类器的主流观点。相反，高表型选择性重叠和广泛的心血管关联表明，这些模型检测了存在于多种疾病状态中的趋同生理和病理生理心脏改变。
这种多功能检测能力为AI-ECG作为综合心血管生物标志物的使用开辟了新的途径，提供了全面的风险评估，而不仅仅是孤立的疾病筛查。因此，临床医生应从更广泛的心血管背景下解读阳性AI-ECG结果，促进全面的心血管风险评估和监测。
然而，局限性包括依赖可能不完全捕捉真实临床表型的诊断代码，以及不同人群中疾病的患病率差异。在多样化的临床环境中进行前瞻性验证和探索AI-ECG识别的潜在机制信号将进一步优化临床应用。
结论
虽然最初设计为特定诊断分类器，但人工智能增强的心电图模型展示了广泛的心血管表型关联，并预测未来心血管疾病的发展。这种表型非选择性支持从二元诊断工具向多功能心血管生物标志物的范式转变，可以增强早期检测、风险分层和潜在的精准医疗策略。
将AI-ECG整合到临床工作流程中应利用其全面的心血管风险洞察，补充而非替代传统的诊断框架。未来的研究应集中在AI衍生特征的机制阐明、前瞻性临床效用研究和模型优化，以优化心血管护理的影响。
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.
