medRxiv：AI增强心电图提示 “心血管系统异常” 而非单一疾病

心电图（ECG）作为一种非侵入性、操作简便且成本低廉的检查手段，长期以来在心血管疾病的筛查与诊断中发挥着重要作用。近年来，随着人工智能（Artificial Intelligence, AI）技术的快速发展，AI增强心电图（AI-ECG）模型展现出前所未有的潜力，能够识别传统方法难以察觉的细微电生理异常，从而实现对多种结构性和功能性心脏疾病的无创检测。目前已开发出多个AI-ECG模型，用于识别左室收缩功能障碍（LVSD）、主动脉瓣狭窄（AS）、二尖瓣返流（MR）、左室肥厚（LVH）等特定心血管疾病，并在部分研究中表现出较高的敏感性和特异性。美国食品药品监督管理局（FDA）已批准若干此类算法进入临床应用，标志着AI-ECG技术正逐步实现临床转化。

然而，一个关键的科学问题尚未明确：这些AI模型是否真正具备针对其训练目标疾病的表型选择性，还是更广泛地反映了整体心血管系统异常或共通的病理生理状态？由于多种心血管疾病共享相似的风险因素（如高血压、动脉粥样硬化）和心肌重构机制，其心电图表现可能存在重叠，导致AI模型难以精确区分特定病因。若AI-ECG模型缺乏特异性，则其阳性结果可能提示“心血管系统异常”而非某一特定疾病，这将直接影响其临床解读和后续诊疗路径。

为系统评估AI-ECG模型的表型选择性，本研究纳入来自四个独立人群队列的233,689名个体（平均年龄59±18岁，女性占56%），涵盖电子健康记录（EHR）数据和前瞻性队列研究，构建了一个大规模、多中心的真实世界分析框架。研究部署了六个基于图像的AI-ECG模型：其中五个为已验证的心血管疾病检测模型，分别针对LVSD、AS、MR、LVH以及一个整合多种结构性心脏病（SHD）的组合模型；另设一个用于预测生物学性别的模型作为非心血管阳性对照。此外，还开发了六个针对非心血管疾病（如糖尿病、慢性肾病等）的实验性AI模型作为负向对照，以排除非特异性关联。

研究采用表型宽关联研究（PheWAS）方法，将国际疾病分类（ICD）编码映射为标准化临床表型。通过逻辑回归分析评估各AI-ECG模型输出概率与横断面诊断表型之间的关联强度（以比值比OR表示），并利用Cox比例风险模型评估模型对新发心血管事件的预测能力。同时，计算不同模型间表型关联谱的Pearson相关系数，以量化其“表型签名”的相似性。

结果显示，所有五个心血管AI-ECG模型均显著关联于广泛的心血管相关表型（OR范围：2.16–4.41，所有P < 1×10⁻⁶），而性别预测模型未显示类似模式。值得注意的是，尽管每个模型被设计用于检测特定疾病，但其关联谱高度重叠。例如，LVSD模型不仅与心力衰竭显著相关（OR = 2.91），也与原发性心肌病（OR = 3.58）和慢性缺血性心脏病（OR = 2.93）等非目标表型表现出更强或相当的关联。类似现象在AS、MR和LVH模型中普遍存在——各模型均与其目标疾病相关，但也广泛关联其他结构性心脏病。

图：在四个独立队列中，不同AI-ECG模型的目标表型关联特征分布的相关性分析

进一步分析显示，不同心血管AI模型之间的表型关联谱高度相似，Pearson相关系数介于0.67至0.96之间，表明它们捕捉的是共同的心血管异常信号而非独立的病理特征。这种高度重叠的关联模式在所有研究队列、外部验证集以及横断面与前瞻性分析中均保持一致。相比之下，非心血管疾病的实验性AI模型未显示出与任何心血管表型的显著关联，验证了研究设计的特异性。

图：表型与AI-ECG之间的关联

在前瞻性随访分析中（排除基线已患相关疾病者），LVSD模型仍能显著预测新发心力衰竭（风险比HR = 2.09）、主动脉瓣病、二尖瓣病、左室肥厚及结构性心脏病复合终点，而性别模型则未能预测任何新发心血管事件，进一步支持AI-ECG模型反映的是真实的心血管风险。

此外，研究发现，整合多种结构性心脏病的组合模型表现出更强的整体关联性和预测效能，提示“广谱”而非“特异”的建模策略可能更具临床价值。

综上，尽管当前主流AI-ECG模型被设计用于检测特定心血管疾病，但其实际表现更接近于反映整体心血管健康状态的广谱生物标志物，而非单一疾病的二元诊断工具。这些模型对多种结构性心脏病表现出高度重叠的表型关联，选择性有限，提示其阳性结果应被解读为“存在潜在心血管系统异常”的警示信号，而非指向某一特定疾病的确诊依据。

这一发现具有重要的临床意义：AI-ECG的阳性结果应促使临床医生启动全面的心血管评估（如超声心动图、实验室检查等），而不是局限于模型所“命名”的目标疾病。未来AI-ECG的发展方向可能应从追求“疾病特异性”转向构建“风险分层”模型，服务于早期筛查、风险预测和人群健康管理。同时，需在模型解释、临床验证和指南整合方面加强研究，以推动AI-ECG技术的安全、有效和合理应用。

原始出处

Croon PM, Dhingra LS, Biswas D, Oikonomou EK, Khera R. Phenotypic Selectivity of Artificial Intelligence-enhanced Electrocardiography in Cardiovascular Diagnosis and Risk Prediction. Preprint. medRxiv. 2025;2025.07.01.25330665. Published 2025 Aug 12. doi:10.1101/2025.07.01.25330665

本文相关学术信息由梅斯医学提供，基于自主研发的人工智能学术机器人完成翻译后邀请临床医师进行再次校对。如有内容上的不准确请留言给我们。