从心电图到心功能评估：个性化AI模型的临床突破

一项基于236,623对心电图和超声心动图数据的研究表明，通过卷积神经网络和概率神经网络的人工智能模型，心电图可以准确估计左心室射血分数，其中个性化模型显著提升了预测精度。这一突破为资源受限地区提供了一种成本效益高的心脏功能评估新途径。

背景

左心室射血分数（LVEF）是评估心脏收缩功能的重要指标，临床广泛用于心衰诊断、分层和管理。传统上，LVEF需要通过超声心动图、核素成像或心脏磁共振等成像手段测得。然而，这些成像技术的获取成本高、资源配置需求大，在中国欠发达地区、基层医疗机构和远程医疗场景中难以普及。相比之下，心电图作为一项经典的心脏检查手段，具有成本低廉、操作简便、可及性强的优势，几乎所有医疗机构都能开展。

近年来，深度学习在心电图分析中的应用取得显著进展。研究人员开始探索能否利用心电图的信息，通过人工智能模型直接估计LVEF，从而在成像技术不可及或延迟的情况下，为临床医生提供有价值的决策支持。本研究的创新之处在于不仅开发了通用的AI模型，更进一步探索了基于患者个体纵向数据的个性化模型，期望通过个体化学习显著提升预测精度。

主要发现

心电图单独输入的卷积神经网络模型实现了7.71%的平均绝对误差（MAE）和10.36%的均方根误差（RMSE），表明心电图特征单独能够对LVEF进行合理的估计
将心电图与结构化临床特征相结合的混合模型达到7.84% MAE和10.52% RMSE，性能与单纯心电图模型相当
基于患者纵向数据开发的个性化模型显著改善了预测性能，心电图单独模型的MAE降至5.98%，混合模型的MAE降至6.75%，提升幅度分别达到22%和14%
在识别左心室收缩功能障碍（LVEF≤40%）的任务中，分类器达到0.88的AUC、0.92的灵敏度和0.98的阴性预测值，显示出较强的临床识别能力
概率神经网络为预测结果提供了预测区间，在LVEF极端值处显示更宽的不确定性范围，在接近群体平均值处显示更窄的预测区间，这种不确定性量化有助于临床医生理解模型的置信度
梯度类激活映射（GRAD-CAM）可视化分析揭示了心电图中对LVEF估计最有贡献的关键段落，包括PR间期、QRS波群时限、QT间期和T波形态等经典心电图参数

临床意义

本研究成果具有重要的临床应用价值。首先，心电图基础的LVEF估计为资源受限地区和基层医疗机构提供了一条可行之路。在许多中国农村地区和欠发达社区，患者获得高水平超声心动图检查需要长途转诊和高额费用，而心电图几乎处处可得且成本极低。该AI模型可作为一个初步的决策支持工具，用于心衰患者的筛查和分层，帮助基层医生快速识别左心室收缩功能障碍患者，及时转诊或启动治疗。

其次，个性化模型的显著性能改进为慢性病管理开启了新的可能性。在心衰等需要长期随访的慢性疾病管理中，患者往往有多次就诊和多份心电图记录。通过患者个体的纵向数据训练个性化AI模型，可以学习该患者特有的心电图特征与心功能的关系，考虑到患者个体差异和疾病进展的个体特性，从而获得更准确的LVEF估计。这种个性化方法对于评估患者的病情变化和治疗效果尤为有用。

此外，模型提供的不确定性量化能力增强了临床可用性。传统的点估计难以反映模型的置信度，而本研究的概率神经网络提供的预测区间使临床医生能够更全面地理解估计值的可靠性。当预测不确定性较大时，医生可以采取更谨慎的态度；当不确定性较小时，可以更有信心地依赖模型的建议。GRAD-CAM分析的可解释性也提高了模型的临床可接受性，医生可以看到模型关注的PR间期、QRS时限等都是传统心电图诊断中的重要参数。

局限性

本研究虽然规模大、证据强度高，但仍存在一些局限。首先，研究使用的是医疗中心收集的电子病历数据，这些数据可能与真实世界的患者群体存在选择偏差。外部验证虽然使用了MIMIC-IV数据库，但该数据库主要来自重症患者，代表性可能有限。不同医疗机构的心电图采集设备、参数设置可能存在差异，可能影响模型的泛化性能。

其次，个性化模型需要患者的纵向数据才能发挥最佳性能，这意味着初次就诊的患者无法立即获益。个性化模型需要积累足够的患者数据后才能进行有效训练，这要求医疗机构具有一定的信息化基础和数据管理能力。

此外，虽然该模型在检测左心室收缩功能障碍方面表现良好，但用于连续估计LVEF时的绝对误差（约7-8%）在某些临床场景下可能仍然较大，特别是在边界值（如LVEF接近40%或50%）附近。模型还需要与临床医学知识相结合，不宜作为独立的诊断工具，而应作为辅助决策支持工具。

Original paper: Personalized artificial intelligence based left ventricular ejection fraction and systolic dysfunction assessment. — NPJ digital medicine. 10.1038/s41746-026-02462-3

🎧 收听播客