基于心电图的深度学习预测美国儿童和成人先天性心脏病的左心室收缩功能障碍：一项多中心建模研究

LVSD是先天性心脏病患者发生心血管事件的独立危险因素，尤其是在复杂病变患者中与心力衰竭和死亡率显著相关。尽管AI-ECG技术已在普通成年人群中显示出预测LVSD的潜力，但其在先天性心脏病患者中的应用仍存在重大空白。先天性心脏病患者的心电图特征因解剖结构异质性（如心室形态异常、术后改变及起搏器植入等）与普通人群存在显著差异，导致现有成人模型难以直接推广。此外，先天性心脏病患者需终身随访监测心功能，而传统影像学检查（如超声心动图）成本高且依赖专业操作，限制了其在资源有限环境中的应用。

研究数据来自美国波士顿儿童医院（内部队列）和费城儿童医院（外部验证队列）。内部队列纳入标准为：截至2023年1月，至少有一次超声心动图记录左心室射血分数（LVEF）的先天性心脏病患者，排除心电图质量不合格（如导联脱落或时长不足10秒）的病例。共纳入124265例ECG-超声心动图配对数据（49158例患者，中位年龄10.5岁，IQR 3.5–16.8），其中3381例（2.7%）LVEF≤40%。外部验证队列纳入76400例ECG-超声心动图配对数据（42984例患者，中位年龄10.8岁，IQR 4.9–15.0），LVEF≤40%占1.7%。数据均来自MUSE心电图管理系统（GE Healthcare），LVEF通过超声心动图（波士顿中心采用子弹法，费城中心采用双平面Simpson法）或心脏磁共振成像（MRI）获取。

研究采用卷积神经网络（CNN）架构，模型包含残差块结构以优化特征提取。训练集（占内部队列70%）通过网格搜索确定超参数，使用Adam优化器最小化交叉熵损失，并采用早停策略防止过拟合。性能评估基于单次随机选择的ECG-超声心动图配对数据，通过受试者工作特征曲线下面积（AUROC）和精确召回曲线下面积（AUPRC）衡量，同时计算灵敏度、特异性、阳性预测值（PPV）和阴性预测值（NPV）。亚组分析针对不同病变类型（如法洛四联症、心肌病）和年龄层进行，并通过Cox比例风险模型评估AI-ECG分类与未来LVSD或全因死亡率的相关性（调整年龄因素）。模型可解释性通过显著性映射（Saliency Mapping）和中位波形分析，识别关键ECG特征（如V2导联深S波）。

训练队列包括124265对心电图。中位超声心动图LVEF为62.0%（IQR 57.4–66.0），其中124265对心电图对中有3381对（2.7%）的LVEF为40%或更低。最常见的病变包括法洛四联症（49158例患者中1911例[3.9%]）、心肌病（2428 例[4.9%]患者）、房间隔缺损（3516例[7.2%]患者）、主动脉缩窄（2406例[4.9%]患者）和室间隔缺损（5178例[10.5%] 患者）。患病率较低的复杂病变包括HLHS（450 [0.9%]患者）、L环TGA（251 [0.5%]患者）和三尖瓣闭锁（242 [0.5%]患者;表）。465例（0.9%）患者进行心室起搏。1478例（3.0%）患者死亡。在内部测试队列中发现了类似的病变和结果细分，该队列由54230对心电图-超声心动图对组成（21068名患者;中位年龄10.9岁[IQR 3.7–17.0];21068名患者中有 9813名[46.6%]为女性，11251名[53.4%]为男性）。70226例患者中有16930例（24.1%）在整个内部队列中已知患有先天性心脏病。（表）

外部验证队列包括76400对心电图（42984例患者;中位年龄10.8岁 [IQR 4.9–15.0];42984例患者中有19163例[44.6%]为女性，23815例[55.4%]为男性）。外部验证队列的中位回声LVEF略高于训练和内部测试队列，为64.2%（IQR 60.4–67.2），结果发生率较低（1313 [1.7%] 的76400对心电图，LVEF ≤40%）。一般来说，与内部队列相比，外部队列中每个病灶和心室起搏患者的患病率较低。在内部（AUROC0.95，AUPRC0.33）和外部（AUROC0.96， AUPRC0.25） 测试中，AI-ECG在区分轻度（LVEF ≤50%）、中度（LVEF ≤40%） 和重度功能障碍（LVEF ≤30%）方面取得了很高的性能。（图1）

显示了各机构的低风险和高风险临界值的绩效指标。在LVEF为40%或更低的低风险临界值下，NPV至少为99.8%的机构的敏感性约为90%，并且大约90% 的心电图预测为阴性。在LVEF为40%或更低的高风险临界值下，NPV至少为99.5%和PPV为13-20% 的机构的特异性为97-98%。一般来说，对于更复杂的病变和较低的患病率病变，AI-ECG模型的性能较低，在右座心动症中的性能最低。在L环TGA和功能性单心室病变（如HLHS和三尖瓣闭锁）的机构中取得了中等性能（图2A）。鉴于这些病变在超声心动图上更难确定LVEF，我们还评估了心电图-心脏MRI对的模型性能。在这组独立于主要队列的患者中，HLHS、L环TGA和三尖瓣闭锁的模型性能再次适中（图2B）。

评估了初始ECG-超声心动图对预测未来LVSD的预后价值（图3）。相对于低风险患者，在整个队列中（HR 12.1 [95% CI 8.4–17.3];p<0.0001）以及心肌病（5.8 [95% CI 3.4–10.0];p<0.0001）和法洛亚组四联症（8.2 [95% CI 1.7–39.8];p=0.0094）中，高危患者未来LVEF的可能性更大。AI-ECG预测也可以预测未来的全因死亡率。对每位患者使用单个随机心电图，与被认为低风险的患者相比，心电图被认为高风险的患者更有可能发生全因死亡率。

进行显著性映射和中位波形分析，以生成驱动LVSD模型预测的ECG特征的假设（图4）。在整个测试队列中，显着特征包括V2和V5-V6的QRS波群，以及V6 T波。预测的LVSD高危特征包括V2深S波和V5-V6高R波，心前区外侧导联T波倒置。在心肌病中，确定了几乎相同的显著性和高风险特征。在HLHS中，除了V5-V6中振幅较低的高危R波外，还发现了类似的显著性和高风险特征。三尖瓣闭锁具有与HLHS相似的高风险特征，QRS波群在心前区导联V2-V6中突出。对于Fallot和L环TGA的四联症，大多数心前区导联的QRS波群很突出。V2中的深S波也是法洛四联症和L环TGA的高风险，其他高风险特征包括心前区外侧导联的倒置T波和宽QRS波群。

本研究首次全面验证了基于深度学习的AI-ECG算法在先天性心脏病患者中预测LVSD的有效性。该模型在跨中心、跨病变类型及年龄层中均表现稳健，能够识别当前功能障碍并预测未来风险，为临床提供了一种低成本、非侵入性的筛查工具。高风险患者的早期识别可促进密切监测或提前干预（如指南导向药物治疗），而低风险患者则可减少不必要的影像学检查。模型的可解释性分析揭示了与LVSD相关的特异性ECG模式，为病理机制研究提供了新线索。未来需通过多中心前瞻性试验验证其临床实用性，并探索其在资源有限环境中的应用（如基于ECG图像的模型开发）。这一技术有望优化先天性心脏病患者的终身管理，改善预后并降低医疗成本。