人工智能增强心电图在单基因与多基因易感性下检测和预测肥厚型心肌病
核心概要
该研究在三个国际中心的1,095名致病或可能致病肌节变异携带者中，用已验证的AI-ECG模型从12导联心电图图像生成HCM评分，发现其识别基线HCM表型的AUROC为0.91、识别显性HCM为0.92，在基线基因阳性/表型阴性者中评分每升高1个标准差与随访期发生HCM相关（未校正HR 1.55，校正后HR 1.38），并在57,007名UK Biobank参与者中显示AI-ECG评分与多基因风险评分相互独立且相加，二者同时偏高者HCM的校正比值比为60.2。
深度剖析
在1,095名致病或可能致病肌节变异携带者中，已验证的AI-ECG模型在首次临床评估时识别HCM表型（P+）的汇总AUROC为0.91（95% CI 0.89–0.93），在预设阈值0.15下敏感度0.78、特异度0.89、PPV 0.95、NPV 0.59。 既往AI-ECG研究多用于横断面检测HCM，且在不加选择的普通人群中因患病率低而PPV受限；本研究把同一模型（EfficientNet-B3卷积神经网络，未重新训练）应用于遗传高危人群，并在三个独立国际中心验证。 多中心汇总队列1,095人，各中心AUROC分别为0.88、0.92、0.90，采用预设阈值与DeLong法置信区间，结果在性别、年龄和基因亚组中一致。
在基线基因阳性/表型阴性（G+/P−）者中，较高的AI-ECG评分预测随访期发生HCM：未校正HR 1.55（95% CI 1.28–1.88，p<0.001），校正年龄、性别和中心后HR 1.38（95% CI 1.11–1.71，p=0.004），汇总模型Harrell C指数0.73。 此前对G+/P−个体缺乏个体化风险分层工具，临床依赖反复影像随访；该分析把AI-ECG评分从横断面表型识别扩展到随访期发病预测，并给出年龄时间尺度上的差异（60岁时无表型生存率11.6%对61.3%）。 分析队列239人、中位随访6.6年、55例（23.0%）发生HCM；各中心HR方向一致，I²=0%、Cochran Q=0.19（p=0.91），但单个中心事件数较少。
在57,007名UK Biobank参与者中，AI-ECG评分与多基因风险评分（PRS）提供互补信息：HCM患病率从双低组的0.02%（9/41,721）升至双高组的1.48%（17/1,148），双高组HCM的年龄性别校正比值比为60.2（95% CI 26.5–137.2），高于单高AI-ECG的15.0和单高PRS的4.1，二者交互项不显著（p=0.69）。 该分析首次在同一人群中展示基于图像的AI-ECG表型标志物与HCM多基因风险之间的互补性，把单基因易感与多基因易感两条路径联系起来。 大样本（57,007人）但HCM病例仅51例，分层估计的精度受限；PRS采用Zheng等报道的PGS_MTAG，分析限于遗传同质的欧洲血统人群。
启示与展望
该结果面向携带致病或可能致病肌节变异、处于级联筛查与长期影像监测情境的人群，以及具有心电图和全基因组测序数据的普通人群风险分层场景；模型以300×300像素的12导联心电图图像为输入、输出0到1的连续评分，可在本地以DICOM或PDF/JPEG格式部署而不共享患者数据，因此适用于多中心协作与低成本推广。作者明确指出，阴性AI-ECG结果能否安全推迟影像检查需要前瞻性评估，不能由本研究推断。
这是一篇尚未经同行评审的预印本，作者提示结果不应直接指导临床实践。随访期发生HCM的病例数较少，限制了中心特异与基因分层亚组分析的统计效能；各中心索引心电图选取方式不同（Yale采用影像前后90天窗口，Erasmus MC与Motol采用首份可用心电图），可能解释中心间判别力差异；研究未区分致病与可能致病变异；UK Biobank为志愿者队列、以欧洲血统为主且HCM绝对例数少，分层风险估计精度有限。此外，本次阅读基于全文文本，图与补充表的具体数值未逐一核对，若需引用具体分层数字宜回到原文图表确认。