近年来，基于深度神经网络（deep neural networks， DNNs）的人工智能（artificial intelligent， AI）逐渐成为大众焦点，而计算机技术的飞速发展以及心电图数据的指数增长正在重塑心电图在现代医学中的作用。随着可穿戴技术的发展以及人工智能软件的开发，研究者们已经人工智能指导与心电图检测结合，人工智能指导的心电图（AI-guided ECG）孕育而生。传统的心电图自动分析常常与医生判断存在较大偏差，指导意义明显受限。AI指导的心电图已经能够从多导联，甚至单导联心电图中识别出心律不齐，近期的临床大规模临床研究发现智能手表捕捉的心电图可以明确阵发性心房颤动[1]。人工智能指导的心电图检查已经成功能被应用到心电图分类、心律失常诊断、阵发性房颤筛查等[2-4]，甚至应用心脏收缩功能不全的早期评估。

　　左心室射血分数(ejection fraction， EF)减低是临床不良预后重要指标。左心收缩功能的急性下降提示着潜在的心肌抑制或损伤，必要时需要积极地介入治疗。在真实世界中，约6%的心功能不全患者可无明显胸闷、夜间阵发性呼吸困难、肺水肿等临床表现，但临床不良风险仍较高，早期发现并进行有效的药物治疗可显著改善这类人群临床[5]。血清中脑钠肽（B-type natriuretic peptide，BNP）或N端脑钠肽前体被作为左心功能不全诊断及严重程度的重要指标[6]。在既往研究[7]中，BNP对于指导有胸闷发作的急诊患者诊断是否心功能不全有一定临床价值而存在，但临床中肥胖、年龄、慢性肾功能不全、透析、肺栓塞、肺动脉高压等疾病均可BNP导致其升高，因此BNP在心功能不全的诊断方面特异性较低。心脏彩超是诊断左心室收缩功能不全的金标准，但是易受医生个人经验影响，且临床中耗时，特别对于急诊危重病人诊断时效性欠佳。

　　近期一项大规模临床研究中，Attia等人[3]基于44 959例心电图数据库建立心电图AI筛查模型，对于52 870例患者进行心功能不全筛查，结果发现心电图AI诊断左心室收缩功能不全（EF<35%）受试者工作曲线下面积、敏感性、特异性以及准确性分别为0.93，86.3%，85.7%，85.7%（图1）。值得注意的是，心电图AI筛查阳性的无心衰患者发生心衰风险是阴性组的4倍。

图1. 心电图AI对于诊断左心室收缩功能不全的敏感性

　　而在Adedinsewo等[8]研究中报道了在心电图AI筛查1606例急诊胸闷患者，心电图AI对于射血分数减少（EF<35%）的心衰诊断受试者工作曲线下面积为0.89 (95% CI， 0.86～0.91)，准确性为85.9%（图2）。对于临界范围的心衰（EF<50%）诊断AUC为0.85（95%CI: 0.83～0.88），准确性为86%。研究亦提示在急诊胸闷患者，应用心电图AI诊断心衰优于BNP（AUC：0.89 vs 0.80），联合二者并未显著增加心电图AI诊断的AUC面积（AI-ECG+BNP vs. AI-ECG =0.91 vs. 0.89， P=0.091）。

图2 心电图AI对于射血分数减少（EF<35%）患者的识别效能

　　综上所述，心电图AI在已悄然走进我们的生活。心电图AI在左心室收缩功能不全诊断上方便、快捷、准确的特点，可以大大减低医疗成本，为早期筛查及治疗提供坚实的保证。但目前心电图AI仍处于探索阶段，大部分证据来自于国外研究，亚洲人群临床证据较少。在Noseworthy[9]等人研究中发现种族对于心电图AI临床诊断有一定影响，不同人种间存在差异，在亚洲人群亚组中AUC可达0.961，但样本量仅为557例。因此，心电图AI在临床中应用仍需要大规模国内临床研究进一步探讨。

　　▼参考文献

　　[1] Perez MV， Mahaffey KW， Hedlin H et al. Large-Scale Assessment of a Smartwatch to Identify Atrial Fibrillation. N Engl J Med. 2019; 381:1909-1917.

　　[2] Kiranyaz S， Ince T， Gabbouj M. Real-Time Patient-Specific ECG Classification by 1-D Convolutional Neural Networks. IEEE Trans Biomed Eng. 2016; 63:664-675.

　　[3] Attia ZI， Kapa S， Lopez-Jimenez F et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med. 2019; 25:70-74.

　　[4] Attia ZI， Noseworthy PA， Lopez-Jimenez F et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet. 2019; 394:861-867.

　　[5] Wang TJ， Evans JC， Benjamin EJ， Levy D， LeRoy EC， Vasan RS. Natural history of asymptomatic left ventricular systolic dysfunction in the community. Circulation. 2003; 108:977-982.

　　[6] Yancy CW， Jessup M， Bozkurt B et al. 2017 ACC/AHA/HFSA Focused Update of the 2013 ACCF/AHA Guideline for the Management of Heart Failure: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Practice Guidelines and the Heart Failure Society of America. J Am Coll Cardiol. 2017; 70:776-803.

　　[7] Maisel AS， Krishnaswamy P， Nowak RM et al. Rapid measurement of B-type natriuretic peptide in the emergency diagnosis of heart failure. N Engl J Med. 2002; 347:161-167.

　　[8] Adedinsewo D， Carter RE， Attia Z et al. Artificial Intelligence-Enabled ECG Algorithm to Identify Patients With Left Ventricular Systolic Dysfunction Presenting to the Emergency Department With Dyspnea. Circ Arrhythm Electrophysiol. 2020; 13:e008437.

　　[9] Noseworthy PA， Attia ZI， Brewer LC et al. Assessing and Mitigating Bias in Medical Artificial Intelligence: The Effects of Race and Ethnicity on a Deep Learning Model for ECG Analysis. Circ Arrhythm Electrophysiol. 2020; 13:e007988.

　　专家简介

　　张大鹏，医学博士，副主任医师，首都医科大学附属北京朝阳医院心脏中心一病区主诊医师，中华医学会内科学分会青年委员会委员，中华中医药学会介入心脏病学分会青年委员会委员，海峡两岸医药卫生交流协会老年医学专业青年委员会常务委员，卫生部全国心血管病介入诊疗技术培训（冠心病介入）导师，《医学研究生学报》青年编委，《东南国防医药》青年编委。为2014年北京朝阳医院优秀带教老师、2012年北京朝阳医院优秀医师。

　　李闯，首都医科大学附属北京朝阳医院心脏中心医师，医学硕士，师从北京朝阳医院杨新春教授。参加工作以来，多次参与国内外交流活动，曾在“朝阳急性冠脉综合征临床研究和复杂PCI介入治疗国际研讨会”中协助多位国内外知名专家成功完成多例复杂PCI病例，独立完成冠脉造影手术2000余例，参与并完成PCI手术1000余例，参与200余例危重症病人抢救工作。在科研方面，作为项目参与人，参与两项国家自然科学基金项目，目前负责国家重点研发项目《再灌注前静脉注射美托洛尔联合远端缺血后适应对前壁STEMI心肌保护作用的研究》中的主要工作。