亮点
- ECG2HF模型是一种新型卷积神经网络，对10年新发心力衰竭（HF）的鉴别能力表现出色，不同医疗系统中的AUC值范围为0.84至0.86。
- 与之前的专有算法不同，ECG2HF是公开可用的，这有助于心血管风险评估的普遍性和临床透明度。
- 人工智能心电图分析在净重新分类方面显著优于包含15个成分的预防心力衰竭联合队列方程（PCE-HF），能够识别传统临床模型遗漏的高危个体。
- 将人工智能整合到标准诊断中，如心电图和乳腺X线摄影，标志着系统性心血管疾病筛查范式的转变。
背景
心力衰竭（HF）仍然是全球发病率、死亡率和医疗支出的主要原因。尽管治疗管理取得了显著进展，但在结构损伤或临床症状出现之前预测新发HF的能力仍然受到传统风险评分较低准确性的限制。传统模型，如预防心力衰竭的联合队列方程（PCE-HF），依赖于年龄、血压和吸烟状态等离散临床变量。虽然这些模型有用，但往往无法捕捉到心力衰竭前的微妙亚临床生理变化。
12导联心电图（ECG）是一种普遍、廉价且无创的工具，提供了大量关于心脏电生理学的数据。然而，人工解释仅限于识别已知的缺血、肥厚或心律失常模式。人工智能，特别是通过卷积神经网络（CNN）进行的深度学习，可以分析原始心电图波形，检测与未来疾病风险相关的复杂特征。Khurshid等人（2026）最近开发的ECG-to-HF（ECG2HF）模型旨在通过提供经过验证的公共访问工具来长期预测HF，以弥补这一差距。
关键内容
ECG2HF模型的开发与验证
ECG2HF模型是在马萨诸塞州总医院（MGH）系统的94,636名患者的大数据集上开发的。研究者使用了一种设计用于处理原始12导联心电图波形的CNN架构。与传统的回归模型不同，CNN直接从电压-时间数据中学习分层特征，可能捕捉到肉眼不可见的舒张功能障碍或微血管疾病的指标。为了确保模型的稳健性，它在三个不同的大规模测试集中进行了验证：MGH（13,954人）、布里格姆妇女医院（BWH；54,396人）和贝斯以色列女执事医疗中心（BIDMC；25,457人）。
该研究的一个关键方法论优势是使用经过验证的自然语言处理（NLP）模型在电子健康记录（EHR）中识别HF事件。这使得可以在最初无HF（年龄30-79岁）的人群中跟踪长达10年的结果。结果在各机构之间保持一致：接收者操作特性曲线下的面积（AUC）在MGH为0.86，在BWH为0.85，在BIDMC为0.84。这种一致性突显了模型在不同临床环境和患者人口统计学中的通用性。
比较性能和临床重新分类
任何新的预测工具的临床效用都取决于其相对于当前金标准的表现。Khurshid等人将ECG2HF与15个成分的PCE-HF评分进行了比较。ECG2HF不仅在鉴别能力（AUC提高高达0.061）方面显示出统计学上的显著改善，还展示了令人印象深刻的净重新分类改进（NRI）。在10年时，MGH/BWH队列的NRI达到0.16，BIDMC队列达到0.23。这表明，与标准临床评估相比，相当数量的患者被正确地重新分类为更高或更低的风险类别，可能允许在高危患者中更早启动钠-葡萄糖协同转运蛋白2（SGLT2）抑制剂或更积极的血压管理。
机制洞察和转化意义
人工智能在心电图分析中的成功可能源于其检测心肌健康的“数字生物标志物”的能力。新兴研究表明，心力衰竭的发展轨迹受复杂的细胞和代谢重塑的影响。例如，关于转录共激活因子YAP（PMID: 41797725）的研究显示，心肌细胞在成熟过程中从糖酵解转变为脂肪酸氧化，这一过程可以逆转以促进再生。同样，从代偿性到失代偿性右室衰竭的过渡与线粒体钙调节和UCP2的丧失有关（PMID: 41797703）。这些深层次的细胞变化可能会导致心肌传导和复极化的细微改变，这些改变在临床症状出现之前就被AI波形捕获。
此外，“机会性筛查”范式正在获得关注。正如AI量化乳腺动脉钙化（BAC）在筛查乳腺X线摄影中被证明独立预测主要不良心血管事件（MACE）和死亡率（PMID: 41795899）一样，ECG2HF模型允许临床医生从常规检查中提取挽救生命的预后数据。这种多模态AI方法预示着一个未来，即每一个临床接触点——无论是乳腺X线摄影还是常规心电图——都将作为全面的心血管风险评估。
架构差距和实施挑战
尽管像ECG2HF这样的模型取得了成功，但研究人员已经确定了临床AI中的“架构差距”（PMID: 41786547）。虽然预测能力是明确的，但将这些模型集成到实时临床工作流程中仍是一个挑战。问题包括电子健康记录的互操作性、深度学习的“黑箱”性质以及需要标准化框架以实现可持续饮食（如EAT-Lancet饮食充足性评估，PMID: 41692025）等，这些都突显了将循证工具应用于实践的复杂性。要使ECG2HF充分发挥潜力，必须将其集成到结果可立即行动的点-of-护理系统中，供初级保健医生或心脏病学家使用。
专家评论
ECG2HF研究代表了数字心脏病学的里程碑。作者决定使模型公开可用，这是对目前市场上占主导地位的专有“黑箱”算法的重大偏离。这种透明度对于临床信任和独立验证至关重要。然而，我们必须保持谨慎。虽然该模型在预测新发HF方面表现出色，但尚未区分射血分数保留的心力衰竭（HFpEF）和射血分数降低的心力衰竭（HFrEF），这两种情况需要不同的治疗策略。
此外，临床医生应考虑合并症对AI预测的影响。正如在肥厚型心肌病（HCM）研究中所见，房颤或肥胖的存在显著改变了疾病轨迹和死亡风险（PMID: 41800474）。未来的ECG2HF迭代可以从整合这些纵向修饰因素中受益，以提供动态而非静态的风险评估。最后，非阻塞性病变中的无症状斑块破裂（PMID: 41795942）提醒我们，HF通常存在于动脉粥样硬化疾病的谱系中，进一步证明了使用AI捕捉全局心血管风险的必要性。
结论
ECG2HF的开发标志着从反应性向主动心脏病学的转变。通过利用卷积神经网络和大规模电子健康记录数据的力量，临床医生现在拥有一种能够在高精度下识别10年心力衰竭风险的工具。该模型在传统风险评分中的优越表现及其公开可用性为临床整合提供了明确的路径。未来的研究应集中在前瞻性试验上，以确定AI驱动的干预措施——如早期药物治疗或生活方式改变——是否实际上减少了HF的发生率。随着AI开发与临床应用之间的架构差距逐渐缩小，简单的10秒心电图有望成为医学武器库中最强大的预后工具之一。
参考文献
- Khurshid S, 等. 人工智能心电图分析预测新发心力衰竭. Circulation. Heart failure. 2026. PMID: 41730522.
- Gao A, 等. 基于人工智能的乳腺动脉钙化量化预测心血管发病率和死亡率. Eur Heart J. 2026. PMID: 41795899.
- Kao DP, 等. 肌节性和非肌节性肥厚型心肌病在疾病轨迹、合并症和死亡率方面的差异. Circulation. 2026. PMID: 41800474.
- He X, 等. YAP诱导心肌细胞的再生代谢状态. Circulation. 2026. PMID: 41797725.
- Zhang Y, 等. TRIM28是IRP2的E3连接酶，抑制缺血/再灌注引起的铁死亡. Circulation. 2026. PMID: 41797698.
- Nishio S, 等. 非梗死相关动脉的非阻塞性病变中的无症状斑块破裂：多模态连续冠脉内成像研究. Eur Heart J. 2026. PMID: 41795942.
