《npj Digital Medicine》：Wearable device derived electrocardiographic age and its association with atrial fibrillation
编辑推荐：
本研究针对传统12导联心电图评估电生理年龄的局限性，创新性地开发了PROPHECG-Age Single模型，通过CycleGAN将百万级12导联心电图转换为合成单导联信号进行训练。验证结果显示，AI-ECG年龄差（预测年龄与实际年龄之差）每增加1年，房颤（AF）发生风险增加3%（OR=1.03），房颤负荷增加0.8个百分点。该研究为可穿戴设备实现连续性、个体化的房颤风险监测提供了新型数字生物标志物。
随着全球老龄化进程加速，房颤（Atrial Fibrillation, AF）的患病率持续攀升，已成为重大的公共卫生问题。生理老化是房颤发生和发展的关键驱动因素，而心电图（Electrocardiogram, ECG）作为无创、便捷的心脏电活动记录工具，近年来通过人工智能（Artificial Intelligence, AI）技术衍生出"心电图年龄"（AI-ECG age）这一新颖概念。AI-ECG年龄与个体实际年龄之间的差距（即AI-ECG年龄差）已被证实与心血管健康状况恶化、死亡率升高以及房颤风险增加显著相关。然而，现有AI-ECG年龄模型均依赖于医院内偶测的12导联心电图，这种"快照式"记录无法捕捉日常生活中心脏电生理的连续动态变化，极大地限制了其在真实世界场景中的应用价值。
可穿戴单导联心电图技术的兴起为连续、长期的心脏监测带来了曙光，但该领域一直面临重大挑战——缺乏大规模、高质量的单导联心电图数据集来训练稳健的AI模型。以往研究尝试先将单导联信号重构为12导联心电图，再应用现有算法，但这种方法因试图从有限信息外推更丰富的表征，导致个体生理变异信息丢失并趋向于人群平均值，效果不尽人意。
为突破这一瓶颈，研究团队独辟蹊径，开发了PROPHECG-Age Single模型。该研究创新性地采用逆向策略：不是扩充有限的单导联信息，而是利用已建立的海量12导联心电图数据库，通过基于CycleGAN（Cycle-Consistent Generative Adversarial Network）的领域转换技术，将12导联心电图转换为与可穿戴设备信号特征高度匹配的合成单导联波形。这种方法避免了外推问题，保留了更多原始信息。
研究人员从Severance医院档案中选取1,008,566份高质量12导联心电图，通过CycleGAN生成对应的合成单导联信号，用以训练一个基于一维残差网络（ResNet-1D）的深度学习模型。模型在两大前瞻性可穿戴设备队列中进行验证：S-Patch注册库（1,502名参与者，使用Wellysis公司的S-Patch EX设备进行最长72小时监测）和Memo Patch注册库（529名参与者，使用HUINNO公司的MEMO Patch设备进行最长14天监测）。
在技术方法上，研究团队主要采用了以下关键策略：首先利用注意力引导的CycleGAN架构实现12导联到单导联ECG的域适应转换，生成与真实可穿戴设备信号特征一致的合成数据；接着使用合成单导联ECG训练一维ResNet模型（PROPHECG-Age Single）进行年龄预测；所有可穿戴ECG数据均经过标准化预处理流程，包括滤波去噪和信号质量指数（SQI）筛选；模型性能通过平均绝对误差（MAE）和Pearson相关系数评估；统计分析采用多变量逻辑回归和分数logit模型评估AI-ECG年龄差与房颤存在及负荷的关联。
模型性能验证
PROPHECG-Age Single在内部验证（S-Patch队列）中表现出10.01年的MAE，外部验证（Memo Patch队列）为11.88年，虽高于以往12导联模型的4.7-7.9年，但体现了单导联设置下的结构性误差底线。铅导联消融实验证实，这种误差主要源于空间信息丢失的"固有成本"——将心脏复杂的三维视图（12导联）转换为一维信号（单导联）的必然结果。
AI-ECG年龄差与房颤存在的关联
在S-Patch队列中，房颤患者的AI-ECG年龄差显著高于非房颤患者（-1.2±12.3年 vs. -4.2±12.8年）。多变量逻辑回归分析显示，AI-ECG年龄差每增加1年，房颤存在几率增加2%（调整后OR=1.02）。按房颤亚型分析显示，年龄差从无房颤到阵发性房颤再到持续性房颤呈阶梯式增加。两组数据的荟萃分析得出合并OR为1.03（95%CI：1.01-1.04）。
AI-ECG年龄差与房颤负荷的关联
在S-Patch队列的233名房颤参与者中，AI-ECG年龄差与房颤负荷呈正相关（Pearson's r=0.13）。多变量分数logit模型显示，年龄差每增加1年，房颤负荷平均增加0.74个百分点。虽然Memo Patch队列（n=24）因样本量小未达统计学显著性，但趋势一致。合并分析显示，年龄差每增加1年，房颤负荷显著增加0.8个百分点。
AI-ECG年龄差的时程一致性
在Memo Patch队列的214名非房颤参与者中，将7-14天的记录分割为连续48小时时段进行分析，发现相邻时段间AI-ECG年龄差具有高度线性可重复性（Pearson相关系数0.90-0.98），组内相关系数（ICC）达0.93，表明该指标具有良好的短期稳定性。
研究结论表明，PROPHECG-Age Single首次将心电图年龄估计从偶测12导联心电图扩展到连续可穿戴单导联监测场景。通过将窦性心律片段转换为AI衍生的年龄差，该模型提供了一个以患者为中心的数字生物标志物，与房颤存在和负荷均呈现适度但统计学显著且一致的关联，可能补充传统的事件驱动型房颤评估。这种方法的优势在于充分利用了可穿戴设备主要采集的窦性心律数据（即使在阵发性房颤患者中，年房颤负荷中位数仅约0.13%），将细微的电生理变异转化为连续的AI衍生年龄估计，提供了传统偶发节律检测无法实现的个性化房颤倾向和疾病负担衡量指标。
值得注意的是，该研究存在若干重要局限性：模型显示较高的MAE（约10-12年），这主要是单导联设置固有信息丢失的结构性后果；横断面设计无法确定因果关系；虽然心电图连续记录，但分析使用每5分钟提取的高质量10秒片段，属于准偶测而非实时逐搏连续追踪；外部队列房颤负荷分析样本量小（n=24）；参与者几乎全为东亚人群，限制了结果外推；缺乏同一参与者单导联与12导联AI-ECG年龄差的直接比较。
尽管如此，通过公开模型和权重，并证明在不同厂商设备间的稳健性，该研究促进了真正民主化、以患者为中心的护理，超越了机构和技术障碍，可能加速个性化心血管监测领域的未来发展。这项工作为未来实现更个性化心房健康监测的研究奠定了基础，经过前瞻性验证后，最终可能有助于改进房颤风险分层和预防性护理。
