心电图也能读出心肌机械运动：合成e′在出院后独立预测死亡，判别力从0.67升到0.70
核心概要
一项多队列外部验证显示，一个此前训练好的生成对抗网络无需重新训练，就能从标准12导联心电图合成二尖瓣环组织多普勒速度与位移参数。在1,065例急性心梗住院患者中，合成e′在GRACE评分之上仍独立预测全因死亡；在出院后亚组中，它把判别力从C指数0.67提高到0.70，并在AI-ECG预测与实测射血分数之外保持独立。在219,564例门诊人群中，三个参数均与心梗特异性死亡相关，MAPSE效应最大。
深度剖析
心肌梗死后的左心室机械功能与预后相关，而这类信息过去主要靠超声心动图获取；现在，同样的纵向机械指标可以从常规12导联心电图上合成出来，并用于风险分层。 超声评估是间断的，只在少数时间点留下快照，在关键决策时刻常常拿不到；心电图则几乎每位急性心梗患者都会做。 在1,065例急性心梗住院患者（109例死亡，中位随访1.44年）中，合成e′在调整GRACE 2.0后仍独立预测全因死亡，每1 cm/s的风险比为0.90（95% CI 0.83–0.97，P=0.006）。
在出院后这一预设的临床关注场景里，合成e′带来的预后信息与射血分数基本无关，因此它补充的是收缩功能之外的一条线索。 此前AI-ECG模型多以射血分数阈值输出二分类概率，无法刻画舒张功能，也不便于随时间追踪。 在1,017例出院存活患者（61例死亡，中位随访536天）中，合成e′把GRACE的C指数从0.67提高到0.70；在AiTiA、Pan等的AI-ECG模型以及实测LVEF<50%之上，每1 cm/s的风险比为0.84–0.86（P≤0.004），贡献各模型似然比χ²的28%–46%。
方法上，一个生成对抗网络把心电信号解码成心肌速度波形，输出的是与超声组织多普勒同形的连续曲线，而不是一个孤立的风险分数。 生成对抗网络由一个生成器和一个判别器相互竞争，使生成波形逼近真实组织多普勒记录；该网络在全部队列中直接应用，未重新训练，且对结局设盲。 心电原始波形按心搏切分、重采样到512个时间点，与一小时内配对采集的组织多普勒记录同步；在219,564例门诊人群（817例心梗死亡，中位随访3.42年）中，调整年龄、性别和常规心电图异常后，合成MAPSE的亚分布风险比为0.49（95% CI 0.37–0.65），s′为0.78（0.72–0.84），e′为0.87（0.82–0.93）。
启示与展望
已展示的范围是两个观察性队列中的预后关联：美国两家医院的1,065例急性心梗住院患者，以及巴西CODE-15登记中219,564例门诊人群；前者结局为全因死亡，后者为心梗特异性死亡。合成参数由未重新训练、对结局设盲的生成对抗网络产生，所有生存分析均在心梗队列内完成，非心梗对照组只用于波形刻画与危险因素关联。
这些分析建立的是观察性关联，不能说明依据合成参数做决策会改善结局；合成组织多普勒在急性缺血期间的动态保真度另有研究处理，仍需与同步实测的组织多普勒直接比较。由于信号源自心电图，其中一部分可能只是泛化的心电风险标记，需要专门的比较与前瞻研究来确认机制特异性。CODE-15登记不含合并症、既往心血管病和超声数据，无法直接调整这些混杂因素。