一个关于室性早搏的非寻常案例

《Journal of Cardiovascular Medicine》：An unusual classroom in ventricular premature beats

本研究开发并验证了一款基于改良卷积神经网络（CNN）的房颤预测AI模型，采用韩国811,542份ECG数据集进行训练和内部验证（AUROC 0.907），并在巴西CODE数据集上外部验证（调整年龄性别后AUROC 0.906），表明模型在跨种族人群中的有效性及适用于正常心电图患者群体，为全球房颤早期筛查提供新工具。

　　

摘要 通俗语言总结

---

目的

我们的目标是开发并全面评估一种基于标准12导联窦性心律心电图（ECG）图像的人工智能模型，用于预测韩国人群中的心房颤动，并验证其在巴西患者群体中的表现。

方法

我们使用来自首尔国立大学盆唐医院（2003–2020年）的811,542份ECG数据，开发了一个改进的卷积神经网络（CNN）模型。其中90%的数据用于训练集，剩余的10%用于内部验证集。外部验证使用了来自巴西米纳斯吉拉斯州远程医疗网络的CODE 15%公开ECG数据集，采用1:4（心房颤动：非心房颤动）的随机抽样策略。

结果

在内部验证中，我们的人工智能模型在心房颤动预测方面的接收者操作特征曲线下面积（AUROC）为0.907 [95%置信区间（CI）：0.897–0.916]。在CODE 15%数据集进行的跨种族外部验证中，该模型的AUROC为0.884（95% CI：0.869–0.900），经过年龄和性别调整后提升至0.906（95% CI：0.893–0.919）。在ECG结果被判定为“正常”的患者子集中，AUROC为0.826（95% CI：0.769–0.883），经过相同调整后提升至0.861（95% CI：0.814–0.908）。

结论

我们基于人工智能的窦性心律ECG解读模型在预测阵发性或新发心房颤动方面表现优异，在巴西人群中也显示出有效的性能。这表明该模型具有在不同种族群体中广泛应用的潜力。

导出