*仅供医学专业人士阅读参考
TAVR术前风险分层新思路:AI-ECG双中心开发与外部验证研究解读
撰文|安安
经导管主动脉瓣置换术(TAVR)已成为重度主动脉瓣狭窄(AS)的主要治疗手段,但术后远期死亡风险仍不容乐观。目前常用的美国胸外科医师协会心脏手术风险预测模型(STS)评分、欧洲心脏手术风险评估系统Ⅱ(EuroSCORE II)与日本经导管瓣膜治疗注册研究1年死亡(J-TVT)风险模型主要基于术前临床参数构建,对TAVR术后远期死亡的判别能力有限,难以捕捉已存在于术前心电图上、却与长期预后密切相关的亚临床电生理改变。如何通过精准风险分层改善长期生存,成为尚未被满足的关键需求。
近期,浙江大学医学院附属第二医院王建安院士/中国医学科学院阜外医院张洪亮教授团队发表于《JACC: Asia》的双中心研究[1](图1),构建了基于深度学习的人工智能心电图(AI-ECG)模型,其以术前常规12导联心电图图像为输入,用于TAVR术后3年全因死亡风险的术前分层。为检验模型在开发数据中的稳定性及在未参与训练的新中心人群中的泛化能力,研究设置模型开发队列与独立外部测试队列:前者用于初步检验模型是否过拟合,后者用于评估模型跨中心、跨人群的可迁移性。
研究结果显示,在未参与模型训练的外部测试队列中,AI-ECG判定为高危的患者3年累积死亡率为61.5%,显著高于低危患者的16.5%(P<0.001)。同期社论[2]评价指出,这一研究提示,术前常规心电图信号中可能潜藏着此前未被充分识别的预后信息(图2)。
图1. 研究截图
图2. 同期社论截图
双中心711例:用一张术前心电图图像训练AI
该研究是一项双中心回顾性队列研究:共筛选854例因重度AS行TAVR的患者,排除术后1周内死亡、术前心电图超窗或图像质量差、既往植入永久起搏器或植入型心律转复除颤器(ICD)者后,阜外医院460例构成模型开发队列,按7:3分层随机分为训练集322例与内部验证集138例;浙江大学医学院附属第二医院251例作为独立外部测试队列(图3)。模型采用基于迁移学习的残差网络(ResNet-18),输入统一放大至1024×1024像素的心电图图像,以0.5为风险概率截断值将患者分为高危与低危;主要终点为术后3年全因死亡,事件由对AI-ECG结果设盲的研究人员按瓣膜学术研究联盟-2(VARC-2)标准裁定。
在基数特征方面,模型开发队列患者平均年龄75.4±7.3岁,男性占58.5%,3年内死亡42例(9.1%)。与存活者相比,死亡组年龄更大、既往卒中比例更高(23.8%对10.8%,P=0.026)、血肌酐更高(P=0.005)、左房内径更大(P=0.003),而外科风险评分、瓣膜解剖特征与手术参数两组间无显著差异。
图3. 研究流程图
内外验证判别无显著差异,外部验证仅中等区分度
研究结果显示,模型在内部验证集与外部测试队列中的判别能力差异无统计学意义(P=0.428):在两项队列中,受试者工作特征曲线下面积(AUC)分别为0.767(95% CI:0.657~0.877)与0.712(95% CI:0.627~0.795);此外,针对3年全因死亡这一终点,模型的时间依赖一致性指数(C-index)为0.746(95% CI:0.682~0.809)(图4A)。此数据提示其具有一定的时间依赖风险排序能力。
在完成判别性能评价后,研究采用模型输出的预测3年全因死亡概率≥0.5作为二分类阈值,将外部测试队列患者分为高危与低危。数据显示,该队列251例中39例(15.5%)为高危、212例(84.5%)为低危。同时,该阈值下模型灵敏度为69.5%、特异度为69.8%、阳性预测值为41.4%、阴性预测值为88.2%。
需注意,0.5为二分类常规阈值,并非经临床决策优化确定的最佳截断值;阳性预测值41.4%提示高危分类更宜理解为风险脆弱性标志,而非个体层面的确定性预测,阴性预测值88.2%提示其在识别预后良好人群方面具有潜在价值。校准方面,外部测试队列3年Brier评分为0.133,提示总体预测误差较低;校准曲线显示预测3年死亡概率与观察死亡率总体趋势相近,提示总体校准尚可,但该结果不排除个体层面存在偏差,用于个体化风险沟通前仍需进一步校准评估。
此外,决策曲线分析(DCA)显示,在0.05~0.60的阈值概率区间内,AI-ECG风险分层策略的净临床获益高于“全部干预”与“全不干预”策略(图4B)。但研究强调,该结果仅反映决策曲线层面的潜在净获益,尚不能推断AI-ECG指导管理可改善患者临床结局。
图4. 受试者工作特征(ROC)曲线与决策曲线分析
高危组3年死亡风险显著升高,校正后关联稳健
在模型判别与校准评估之后,研究进一步比较了AI-ECG高危与低危组的长期死亡风险。数据显示,外部测试队列3年内共59例死亡,Kaplan-Meier估计3年全因死亡率为23.5%;高危组3年累积死亡率显著高于低危组:61.5%(24/39,95% CI:42.8%~74.1%)vs 16.5%(35/212,95% CI:11.4%~21.4%),对数秩(log-rank)P<0.001(图5),差异有统计学意义。
同时,多因素Cox回归分析中,校正年龄、既往外周动脉疾病、房颤、局部麻醉及术后即刻手术成功等因素后,结果显示,AI-ECG高危分层仍与3年全因死亡独立相关[调整后的风险比(aHR)=3.49;95% CI:1.96~6.22;P<0.001];在进一步理论驱动校正模型(额外纳入糖尿病、高血压等临床及病理生理相关协变量)中,该关联保持稳健(aHR=4.40;95% CI:2.50~7.72)(表1)。上述结果提示AI-ECG高危分层与死亡风险存在独立关联,但观察性设计尚不能推断因果效应。
图5. 死亡率Kaplan-Meier曲线
表1 多因素回归分析表
此外,预设亚组分析显示,年龄(≤75岁 vs >75岁)、性别、既往经皮冠状动脉介入治疗(PCI)、房颤与糖尿病各亚组中,高危分层与死亡的关联方向一致,交互P值均>0.05(图6)。该结果支持AI-ECG高危分层的预后关联在预设亚组间无明显效应修饰,但亚组分析仍属探索性,不能排除残余混杂。
图6. 亚组分析森林图
AI“看”的是哪里?R波增高与V4~V6导联ST-T改变
研究采用梯度加权类激活映射(Grad-CAM)生成热图,结果显示:与低危患者相比,高危预测主要由R波显著增高,以及V4~V6导联ST段压低和T波倒置所驱动(图7)。研究指出,这些特征可能反映AS患者慢性压力负荷所致的心室肥厚。
在此基础上,研究提出一种潜在应用场景:患者可通过移动设备上传心电图图像,在5分钟内完成风险分层;占多数(84.5%)的低危患者或可适当延长随访间隔、减少不必要检查,高危人群则可考虑强化心衰药物治疗与更密集随访。该设想与本研究显示的阴性预测值较高(88.2%)相一致,但其能否改善临床结局尚需前瞻性研究验证,目前不能将决策曲线分析提示的净获益等同于临床获益。
图7. 低危与高危患者代表性心电图
同期社论:是“补充”,不是“替代”
《JACC: Asia》同期社论[2]在肯定该研究价值的同时,也对其临床定位提出了审慎界定。社论指出,该研究填补了一项空白:此前尚无研究专门在TAVR队列中训练模型、以原始心电图数据预测1年以上的长期死亡。但社论同时强调,这一“空白”的填补并不等同于临床可用性,并据此划定了若干“下一步”方向。
具体而言,外部验证AUC 0.712提示模型确实捕捉到有意义的预后信号,但属中等判别能力,尚不足以独立支撑个体化预测;0.5的截断值为二分类常规设定,未必是TAVR风险分层的合适临床决策点;阳性预测值偏低(41.4%)提示高危分类更应理解为“脆弱性标志”,而非个体层面的确定性预测,而较高的阴性预测值(88.2%)则提示其在识别预后良好人群方面具有潜在价值;报告的平均绝对校准误差为0.155,意味着预测概率与观察死亡率平均偏差约15.5个百分点,用于患者沟通前仍需进一步校正评估;此外,对卷积神经网络而言,本研究的样本量与终点事件数均相对有限,需更大规模、多中心验证以降低过拟合风险。
基于上述局限,社论进一步强调,AI-ECG输出应作为临床判断、心脏团队评估与既有多模态评估的补充,而非替代;未来TAVR风险分层很可能需要整合AI心电特征、超声心动图参数、CT发现与传统评分,而非依赖任何单一模态。就临床转化而言,DCA提示的净临床获益目前仍属理论层面,下一步的关键是验证AI-ECG风险预测能否真正服务于患者沟通、术前规划与术后监测,并最终改善患者结局。
参考文献:
[1].Shi W, Yan P, Zhu Q, et al. Using AI-ECG to Stratify Long-Term Mortality Risk and Prognosis in TAVR Patients. JACC: Asia. 2026;6(10):2469–2482.
[2].Maisuradze N, Hanzel GS. The Routine ECG Reimagined: AI-Enabled Risk Prediction Before TAVR. JACC: Asia. 2026;6(10):2483–2485.
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