人工智能心电图能够可靠识别心衰，效果优于NT-proBNP

在急诊科，急性呼吸困难的患者并不少见，如何尽早识别收缩性心力衰竭具有一定的挑战性。近期，Circulation: Arrhythmia and Electrophysiology杂志发表的一项研究评估了人工智能心电图在呼吸困难的急诊患者中识别左心室收缩功能障碍的准确性。结果显示，在急诊呼吸困难患者中，应用人工智能心电图算法，可以可靠地识别左心室功能障碍，且效果优于NT-proBNP。

研究方法

该回顾性研究使用一种经过验证的人工智能支持的心电图算法（卷积神经网络模型），用于识别急诊室呼吸困难患者是否患有左室收缩功能障碍（LVSD，定义为左室射血分数≤35%）。

图1. 卷积神经网络示意图。

如果患者在急诊室就诊当日至少进行了一次标准的12导联心电图检查，并在就诊后30天内进行超声心动图检查，则被纳入研究范围。排除了既往有LVSD的患者，最终纳入1606例患者。研究者使用受试者工作特征曲线下面积（ROC曲线下面积）、准确性、敏感性和特异性进行评估。

主要研究终点是急诊就诊后30天内，识别新诊断为LVSD的患者；次要研究终点是急诊就诊30天内 识别LVEF

主要结果

患者中位年龄为68岁，91%为白人，女性占比47%。从急诊到进行超声心动图检查的中位时间为1天。

使用人工智能心电图算法，在呼吸困难的急诊患者中识别出新发LVSD的曲线下面积、准确率分别为0.89、85.9%，敏感性、特异性、阴性和阳性预测值分别为74%、87%、97%和40%（图2）。

图2

人工智能心电图算法识别LVEF

图3

研究者发现，基于人工智能的心电图算法在年轻患者和女性患者群体中，识别LVSD（LVEF≤35%）的性能似乎稍好，但精确度较低。

此外，研究者对比了人工智能心电图和NT-proBNP识别LVSD的优劣。1606例患者中，54%的患者进行了NT-proBNP检测。以NT-proBNP>800作为截点值识别新发LVSD（LVEF≤35%）的曲线下面积为0.80，在人工智能心电图算法基础上加入NT-proBNP，并未明显增加其对LVSD（LVEF≤35%）的识别价值，曲线下面积由0.89提高到0.91（P=0.091）。

临床意义

这项研究表明，人工智能心电图算法可以作为一种有效的工具，在急性呼吸困难患者中快速识别LVSD，其曲线下面积为0.89。这一研究为人工智能心电图算法在临床实践中的实际应用提供了证据。

这项研究的目的是识别门诊患者中左心室收缩功能显著下降的患者，具有重要意义。早期识别左室功能下降的患者，有助于患者尽早接受基本心血管护理、药物优化管理和器械治疗（如植入式心律转复除颤器和心脏再同步治疗）。

心电图具有价格低廉、不会引起患者不适、可快速获得的优势，并且学习曲线较短。与超声心动图相比，在急诊室筛查LVSD患者时，心电图更具有成本效益。

参考文献

Demilade Adedinsewo, Rickey E. Carter, Zachi Attia. Artificial Intelligence-Enabled ECG Algorithm to Identify Patients With Left Ventricular Systolic Dysfunction Presenting to the Emergency Department With Dyspnea. Circulation: Arrhythmia and Electrophysiology. 2020,13(8):707-715.