心电导联线在心血管疾病监测预防方向的重要运用

　　心血管疾病是我国人群的首位死亡原因，其中心源性猝死病例每年超过54.4万例，随着生活方式的改变和人口老龄化，其发病率呈上升趋势。心源性猝死(SCD) 是指由心脏原因引起的意外死亡，常在心脏疾病症状出现后一小时内发生，以意识骤然丧失为特征，心脏活动突然停止伴血流动力学衰竭，通常由于持续性室性心动过速或心室颤动导致。因此，识别出SCD高风险人群对于预防疾病大有帮助。

　　心电图(ECG)是广泛使用的检测心脏电活动的方法，通常的临床标准使用12导联ECG来评估患者的心脏健康。而心电导联线作为连接患者身体与心电图仪器的关键部件，对心电图信号的质量起着至关重要的作用。

　　一项发布于国际顶尖科学期刊《自然》旗下的《通讯医学》的新研究显示，基于心电图的心源性猝死风险评估人工智能深度学习模型(ECG-based Deep Learning model for assessment of SCD risk)可以比传统的心电图风险模型更精准地区分SCD病例与对照组，这将有助于临床医生筛查并识别SCD风险较高的人群，从而对这些人进行定期检测，预防SCD发生。

　　研究团队采用两组地理上独立的、基于社区的前瞻性持续研究的院外SCD病例数据，研究样本共包含2510例SCD病例。对1796例来自美国俄勒冈州的SCD突发意外死亡研究数据(Oregon SUDS)进行深度学习(DL)模型训练、验证和测试，并对714例来自加利福尼亚州文图拉县的多民族社区猝死预测研究数据(Ventura PRESTO)进行外部验证。所有可供分析的静息 12 导联心电图的病例均被纳入研究，这些心电图在 SCD之前被记录，与 SCD 事件无关，先验地排除了起搏心律、心房颤动或心房扑动的ECG，以创建可应用于窦性心律心电图的 DL 模型。

　　团队开发了一个能够用使用 12 导联心电图波形识别 SCD 病例的卷积神经网络模型。研究人员从 1325 名个体的 1342 份心电图中获得了两个独立的对照组样本，这些人中至少有50%的人患有冠状动脉疾病。他们采用Oregon SUDS 的 1076例SCD病例及其中1,101个心脏骤停前的12导联ECG、来自对照组的597例SCD病例及其中613个12导联ECG来训练模型，使用单独的验证队列(包括 366个心脏骤停前ECG和 200个对照ECG)来确定何时停止模型训练。研究样本按患者级别划分，以便将同一患者的多张心电图包含在同一队列中。

　　与传统 ECG 模型相比，基于 12 导联心电图波形的 DL 模型识别SCD 病例准确度更高，其内部队列的 AUROC (一种神经网络评价指标)为 0.889，外部验证的 AUROC 为 0.820，并且优于传统 ECG 风险评分。这是第一份有关基于 ECG 的 DL 模型在社区层面预测院外 SCD 方面优于传统 ECG 风险模型的报告。

　　参考：Holmstrom, L., Chugh, H., Nakamura, K. et al. An ECG-based artificial intelligence model for assessment of sudden cardiac death risk. Commun Med 4, 17 (2024).