《Scientific Reports》：A practical ECG-based model for early identification of acute heart failure following acute myocardial infarction
编辑推荐：
本研究针对急性心肌梗死(AMI)后急性心力衰竭(AHF)发生风险高且预后差的问题，构建并验证了一个基于心电图(ECG)等易获取指标的早期识别模型。研究人员通过LASSO回归筛选出QTc间期延长、病理性Q波、心率>100 bpm等六个关键预测因子，建立了逻辑回归列线图。该模型具有良好的区分度(AUC=0.84)，为基层及偏远地区AMI患者提供了一个简便、低成本的AHF早期筛查工具。
急性心肌梗死(AMI， Acute Myocardial Infarction)是全球范围内导致死亡和残疾的主要原因之一，而急性心力衰竭(AHF， Acute Heart Failure)是其常见且严重的并发症。一旦AMI患者发生AHF，其死亡率与再住院率将显著攀升，给患者家庭和社会医疗体系带来沉重负担。然而，在临床实践中，尤其是在医疗资源相对匮乏的基层医疗机构或偏远地区，早期精准识别出那些在AMI后易发展为AHF的高危患者仍是一大挑战。传统的风险分层工具往往依赖于复杂的实验室检查或昂贵的影像学设备，难以快速普及应用。那么，能否利用临床上最普及、最经济便捷的检查——心电图(ECG， Electrocardiogram)，来构建一个有效的早期预警系统呢？这正是本研究团队试图回答的核心问题。
为此，研究团队在《Scientific Reports》上发表了一项回顾性研究，旨在开发并初步验证一个基于心电图指标的列线图(Nomogram)模型，用于早期预测AMI患者发生AHF的风险。这项研究不仅为临床医生提供了一个直观的风险评估工具，也为优化医疗资源配置、实施早期干预开辟了新的思路。
为了开展这项研究，研究人员主要应用了以下几项关键技术方法：首先，进行了回顾性队列研究设计，纳入了2022年10月至2025年3月期间住院的301名符合标准的AMI患者。其次，利用最小绝对收缩和选择算子(LASSO， Least Absolute Shrinkage and Selection Operator)回归方法，从包括患者基线特征、心电图参数和心脏超声指标在内的多个变量中，筛选出最具预测价值的特征。最后，将筛选出的变量纳入多元逻辑回归(Multivariable Logistic Regression)分析，构建预测模型，并通过列线图的形式将模型可视化。模型的性能通过受试者工作特征曲线下面积(AUC， Area Under the Curve)进行评价，并采用Bootstrap法(2000次重复抽样)进行了内部验证。
研究结果
预测因子的筛选与模型构建
通过LASSO回归分析，研究人员从众多候选变量中识别出六个独立的预测因子，用于构建最终的逻辑回归模型。这六个因子包括：延长的校正QT间期(QTc interval)， 异常Q波(Abnormal Q wave)， 心率>100次/分(Heart rate >100 bpm)， 超声心动图测得的左心室射血分数(LVEF， Left Ventricular Ejection Fraction)降低， 男性性别(Male sex)， 以及年龄在60-75岁之间(Age 60–75 years)。将这些因子整合后，研究构建了一个可视化的列线图，使得临床医生能够根据患者的具体指标快速计算其发生AHF的个体化风险概率。
模型的区分度与验证
该基于心电图的列线图模型在训练队列中表现出良好的区分能力，其AUC值为0.84。通过2000次Bootstrap重采样的内部验证显示，模型的验证AUC值为0.823，表明模型具有稳健的预测性能。研究团队在文中指出，计划进行多中心的外部验证以进一步确认其普适性。
心电图参数与心力衰竭严重程度的相关性
进一步的相关性分析揭示了某些心电图参数与患者心力衰竭严重程度（采用Killip分级评估）之间的关联。分析发现，QTc间期和心率与Killip分级呈正相关，即心力衰竭越严重，QTc间期可能越长，心率可能越快。相反，年龄和QRS波时限与Killip分级呈负相关。值得注意的是，P波时限和P波离散度也与Killip分级呈负相关，这一发现为心电图评估心衰状态提供了新的视角。
研究结论与讨论
本研究成功开发并初步验证了一个基于常规心电图等指标的列线图模型，用于早期预测急性心肌梗死后急性心力衰竭的发生风险。该模型仅需利用患者入院时易于获取的临床信息，包括心电图参数、基本人口学特征和一项基础的超声心动图指标，即可进行快速风险评估。
其重要意义在于模型的“实用性”。首先，它简化了风险评估流程，使高风险患者的识别不再完全依赖于复杂、昂贵或难以即时获得的检查，特别适合在初级医疗卫生机构或医疗条件有限的地区推广应用。其次，模型以列线图形式呈现，结果直观易懂，临床医生无需复杂计算即可估算风险，便于快速决策。最后，研究揭示了特定心电图参数（如QTc、心率、P波离散度）与心衰严重度的相关性，不仅支撑了模型构建的生物学合理性，也深化了对于心电图在心力衰竭评估中价值的认识。
当然，作为一项单中心回顾性研究，该模型的效能仍需在前瞻性、多中心的大型队列中得到进一步验证。未来的研究可以探索将该模型与生物标志物或更先进的影像学技术结合，以期实现更早期、更精准的风险预警。尽管如此，这项研究无疑为改善AMI患者的管理和预后，提供了一把简单而有力的“筛查尺”。
