《European Heart Journal - Digital Health》：Development and multicenter validation of an artificial intelligence ECG model for ventricular remodeling in repaired tetralogy of Fallot
编辑推荐：
本研究针对法洛四联症（TOF）修复术后患者需定期进行心脏磁共振（CMR）监测心室重构但依从性差的临床困境，开发了一种基于12导联心电图（ECG）的人工智能（AI）生物标志物。该模型通过多中心回顾性队列验证（训练集908人/2552次ECG，外部验证集782人/1795次ECG），展现出0.85的受试者工作特征曲线下面积（AUROC）和0.88的平均精确率。在0.25风险阈值下，对CMR定义的复合终点（右心室舒张末期容积>160 mL/m2、收缩末期容积>80 mL/m2、射血分数<47%，左心室射血分数<55%）筛查灵敏度达92%，阴性预测值87%，可使CMR使用量净减少13%。研究成果为先天性心脏病AI辅助诊疗的临床转化提供了重要循证依据。
对于接受过外科修复的法洛四联症（Tetralogy of Fallot, TOF）患者而言，漫长的术后生涯中最关键的挑战是如何有效监测心室重构的进展。当前临床指南推荐定期通过心脏磁共振（Cardiac Magnetic Resonance, CMR）成像评估右心室容积和功能，但现实情况是CMR检查成本高昂、设备普及不均，且患者长期随访依从性较差。这一矛盾促使研究者探索更便捷、高效的筛查工具。
近日发表于《European Heart Journal - Digital Health》的一项研究，成功开发并验证了一种基于12导联心电图（Electrocardiogram, ECG）的人工智能（AI）生物标志物，用于识别TOF修复术后患者的CMR量化心室重构。该研究通过北美六项回顾性队列（含1个训练集与5个外部验证集），纳入908名患者（2552次ECG）作为训练集，782名患者（1795次ECG）作为外部验证集，旨在构建一个可替代CMR进行初筛的AI-ECG模型。
关键技术方法
研究团队利用配对的心电图与CMR数据，以复合CMR终点（右心室舒张末期容积>160 mL/m2、右心室收缩末期容积>80 mL/m2、右心室射血分数<47%、左心室射血分数<55%）作为金标准，训练深度学习模型。通过评估模型区分度、校准度及临床净获益，验证其作为筛查工具排除心室重构的效能。
研究结果
模型性能
在外部验证集中，AI-ECG模型受试者工作特征曲线下面积（AUROC）为0.85（95%置信区间0.83-0.87），平均精确率为0.88。当设定筛查风险阈值为0.25时，模型对心室重构的灵敏度达92%，特异性为41%，阴性预测值（Negative Predictive Value, NPV）为87%，阳性预测值（Positive Predictive Value, PPV）为55%。净获益分析显示，应用该模型可减少13%的CMR使用量。
亚组分析
模型性能在不同性别、种族/族群间无显著差异，但存在年龄与中心间异质性。5个外部验证中心中有2个中心的AUROC低于其他中心，3个中心存在模型校准偏差，但经过中心特异性校准后得到改善。
结论与意义
该AI-ECG生物标志物能有效识别TOF修复术后患者的心室重构，为优化高级影像学检查时机提供依据。多中心验证揭示了模型在不同医疗环境中的性能差异，凸显了AI模型在先天性心脏病领域临床转化时需充分考虑校准与泛化能力的重要性。这一研究为AI辅助诊疗工具在心血管疾病的规范化应用路径提供了关键实证依据。
