*仅供医学专业人士阅读参考
心电图、CGM......这些常规检查在AI加持下，正成为心血管风险分层的“新利器”。
整理：易艾蓝
在2026年欧洲心脏病学会（ESC）年会上，指南更新的浪潮席卷而来。2026年心血管-肾脏-代谢（CKM）综合征指南要求对30-79岁成人进行定量风险评估，纳入身体质量指数（BMI）、估算肾小球滤过率（eGFR）、尿白蛋白肌酐比值（UACR）及社会剥夺指数；2026年血脂异常管理指南推荐，所有儿童进行至少一次血脂筛查（9-11岁，存在相关家族史筛查可提前至2岁），对于30-79岁的无ASCVD成人则推荐使用预测心血管疾病事件—动脉粥样硬化性心血管疾病风险方程（PREVENT-ASCVD）进行10年风险评估。然而，这种“指标叠加”也给临床带来了新的困境：传统风险评估工具依赖有限输入，难以全面捕捉心血管残余风险。
此次会议上，梅奥诊所（Mayo Clinic）的Demilade Adedinsewo教授带来了题为《利用人工智能重新定义心血管代谢风险分层：新见解》的汇报。她一针见血地指出：当前传统风险评估模型存在数据孤岛现象，而下一代生物标志物或许早已蕴藏在我们每天进行的常规检查（如心电图、眼底影像等）与日常传感器数据之中，AI正是挖掘这些“隐性宝藏”、实现“机会性筛查”的关键桥梁。
会场花絮
AI-ECG：从常规波形中提取年龄与体重的“隐藏信号”
心电图（ECG）是目前临床上应用最广泛、经济且便捷的无创检查之一。Adedinsewo教授指出，AI-ECG不仅能识别出心血管-肾脏-代谢（CKM）综合征的潜在特征信号，更在风险分层中引入了“Δ年龄”（Delta Age），即AI预测的心电图年龄与患者实际年龄之间的差值这一新型量化指标。在挪威特罗姆瑟（Tromsø）研究（近7000名成人）中，多因素分析显示，在传统心血管危险因素基础上加入“Δ年龄”，能够显著改善心肌梗死（MI）和卒中（Stroke）的风险预测效能，体现出显著的增量预测价值。此外，“Δ年龄”还被证实可有效预测接受冠状动脉旁路移植术（CABG）或经皮冠状动脉介入治疗（PCI）患者的术后不良结局及死亡风险（图1）。
图1：AI-ECG衍生的“Δ年龄”在Tromsø队列中为MI与Stroke提供增量预测价值
在代谢风险评估维度，AI-ECG同样展现出独特的应用潜力。一项基于11.5万例配对数据的大样本分析结果显示，当AI预测的BMI显著高于患者实测BMI（即两者存在正向差值，定义为“ΔBMI”）时，该差值指标与2型糖尿病、高血压、血脂异常以及冠心病风险的升高呈显著正相关（图2）。这一研究发现为临床医生利用现成的常规心电图实现早期心血管代谢风险预警，提供了一种极具前景且无创的新策略。
图2：AI-ECG衍生的“ΔBMI”与心血管代谢疾病风险结局显著相关
CGM与可穿戴设备：从“单点监测”到“连续预警”
在连续血糖监测（CGM）领域，深度学习模型GluFormer的亮相堪称“降维打击”。该模型基于超过1000万条血糖测量数据（来自约11000名成人）训练而成，其性能显著优于传统CGM指标。GluFormer不仅能够预测糖化血红蛋白（HbA1c）轨迹及糖尿病发生风险，甚至能预警心血管死亡率（图3）。这一能力使得对糖尿病前期或代谢异常人群的精准干预成为可能。
与此同时，可穿戴设备在低血糖检测上展现出独特价值。一项概念验证研究（n=22）表明，整合智能手表测得的静息心率（HR）、心率变异性（HRV）与皮肤电活动（EDA），能够有效识别低血糖事件（图4）。这意味着，即使没有CGM，患者也能借助日常佩戴的智能设备获得安全预警。
图3：GluFormer模型基于海量血糖数据预测HbA1c轨迹、糖尿病及心血管死亡率
图4：可穿戴设备HR、HRV与EDA联合识别低血糖事件的原理
眼底与乳腺影像：从“单器官筛查”到“全身血管健康窗口”
AI在医学影像中的应用正大幅拓展“机会性筛查”的边界。在眼科领域，AI分析视网膜眼底图像已高度成熟，能够从微血管形态中预测年龄、性别、收缩压（SBP）、冠脉钙化（CAC）评分、血清肌酐、HbA1c、BMI乃至代谢综合征（图5）。这为无创评估全身血管健康提供了“窗口”。
图5：AI眼底图像分析可预测冠脉钙化、血压、HbA1c等多重心血管代谢指标
在女性心血管健康方面，乳腺钼靶的AI分析尤为引人关注。近年来，AI自动化定量乳腺动脉钙化（BAC）的技术已在超12.4万例筛查中展现出超越PREVENT评分的预后价值；一项包含约2.2万名美国及澳大利亚女性的研究进一步证实，AI衍生的BAC百分位数可独立预测心血管事件，其价值优于传统的动脉粥样硬化性心血管疾病（ASCVD）风险评估方程（图6）。这对于常被传统工具低估的女性患者尤其关键。
图6：AI自动定量乳腺动脉钙化（BAC）在女性心血管风险预测中的独立增值
结语
在汇报结尾，Adedinsewo教授也客观剖析了AI技术走向临床落地的现实瓶颈，如缺乏大规模前瞻性外部验证、潜在的算法偏见风险、监管框架的不确定性，以及现有医疗工作流程的整合难题。然而，尽管挑战尚存，但演讲传递的核心理念十分清晰：“下一代的生物标志物可能已经存在于我们每天进行的常规检查之中；AI的核心价值，在于推动临床医学从单一用途诊断向机会性筛查转变，将海量的临床与生理数据转化为可执行的临床洞察。” 这种从“被动治疗”向“主动预警”、从“经验驱动”向“数据驱动”的范式转变，正在为心血管代谢疾病的精准预防提供全新的临床路径与广阔的应用前景。
医学界心血管领域交流群正式开放！
加入我们吧！
责任编辑：银子
*“医学界”力求所发表内容专业、可靠，但不对内容的准确性做出承诺；请相关各方在采用或以此作为决策依据时另行核查。
热门跟贴