摘要
背景
将人工智能（AI）应用于心电图（ECG）在结构性心脏病（SHD）筛查方面具有潜力，但由于高误报率和缺乏针对性的部署策略，其临床应用仍面临挑战。
方法
我们开发了TARGET-AI，这是一种多模态方法，它结合了纵向电子健康记录（EHR）和ECG数据来定义患者表型，并支持有针对性的SHD筛查。TARGET-AI使用了一个基于EHR的基础模型，该模型分析了159,322名个体的1.18亿条医疗记录，生成了患者层面的时间信息嵌入，以识别筛查对象；同时，还使用了一个在754,533对ECG图像与超声心动图报告数据上训练的对比视觉-语言模型，能够检测出具有可调节特征的不同SHD亚型。我们在5,198名在ECG检查后90天内被推荐进行经胸超声心动图（TTE）检查的受试者中对该方法进行了评估（时间验证），并在地理位置不同的队列中进行了验证，包括33,518名参与英国生物银行（UK Biobank）研究的受试者（他们接受了标准化的ECG和心脏磁共振成像检查），以及来自医疗信息重症监护数据库（MIMIC-IV）的3,628名住院患者（他们的数据包含ECG和TTE结果）。我们比较了有针对性和无针对性的筛查策略之间的鉴别性能，并使用自举法得出的95%置信区间来评估结果，其中排除零值的情况被视为不具有统计学意义。
结果
TARGET-AI ECG模型能够区分26种SHD亚型，包括左心室收缩功能障碍（接收者操作曲线下面积[AUROC]为0.90）、严重主动脉狭窄（AUROC为0.85）和右心室收缩压升高（AUROC为0.82）。与无针对性的筛查相比，在时间验证集（n=5,198）中，有针对性的筛查显著提高了F1分数（中位数：0.25；范围：0.09至0.75），并减少了26种SHD亚型的误报数量（中位数：−303；范围：−715至−77）。在英国生物银行（n=33,518）和MIMIC-IV（n=3,628）的参与者中也观察到了类似的结果。
结论
TARGET-AI可以指导在各个医疗系统中针对SHD进行AI-ECG的部署。（该研究由美国国立卫生研究院的国家心肺血液研究所等机构资助。）
