睿宾速递|基于AI的心电图诊断算法检测慢性肝病风险患者:我们准备好应对后果了吗?

  点击蓝字 关注我们

本研究背景聚焦于慢性肝病（CLD）的早期筛查挑战。临床应用场景涉及利用人工智能（AI）算法分析常规心电图（ECG）数据，以识别高风险患者。现有研究局限包括：初级保健中CLD风险常被低估，非侵入性筛查工具使用不足（仅少数高危患者接受筛查），导致CLD相关死亡率居高不下；现有筛查工具（如FIB-4或弹性成像）需针对性启动，难以无缝整合至常规诊疗。

患者数据流动为多阶段流程：首先，纳入成人患者接受临床常规12导联ECG→ECG数字化上传至数据湖→模型分析生成风险评分→干预组中高风险结果通知临床医生→基于临床判断和患者意愿，决定是否启动序贯肝病评估（包括FibroTest、磁共振弹性成像或振动控制瞬时弹性成像）→最终确认CLD诊断。路径中，干预组共8,034例患者，17%为ECG-ML阳性；对照组无AI结果通知。序贯评估率：干预组3.6% vs. 对照组1.3%。

关键时间点未提及（数据收集时间范围未明确）。主要特征：总样本量15,596例（干预组8,034例，对照组7,562例）；基线合并症：90%患者至少1项CLD风险因素（如代谢功能障碍），56%新诊断CLD病例为MASLD/MASH相关。样本亚群特征：ECG-ML阳性率17%（干预组）；高脂血症患者占比突出（为主要混杂因素）。

模型性能测试结果：在整体队列中，干预组advanced CLD新诊断率显著高于对照组（1.0% vs. 0.5%；OR 2.09，95% CI 1.22–3.55，P=0.007）。在ECG-ML阳性亚组中，干预组诊断率更高（4.4% vs. 1.1%；OR 4.37，95% CI 1.94–9.88，P<0.001）。次要终点（任何纤维化检测率）同样提升：整体队列1.7% vs. 0.5%（OR 3.17，95% CI 1.86–5.40，P<0.001）；ECG-ML阳性亚组8.4% vs. 1.1%（OR 8.03，95% CI 3.50–18.4，P<0.001）。评价者间一致性结果未提及。关键子群体表现差异：在高脂血症患者中，干预显著提升CLD诊断率（表明代谢因素为CLD驱动因子）；而无高脂血症患者中无变化。与现有标准方法比较结果：未直接比较（如FIB-4）。PPV结果：高风险队列整体PPV为4.4%；接受序贯评估的患者子组PPV为27.5%。

主要结果表明，ECG-ML模型在初级保健中显著提升advanced CLD的诊断率（尤其在高风险亚组），OR值显示中等至高度效应。临床意义在于：模型通过常规ECG的再利用，为高风险人群筛查提供低门槛、自动化工具，可弥补现有筛查依从性不足的问题，有助于早期干预以降低肝病进展和死亡率。

研究局限性包括：（1）模型为“黑箱”，无法解释驱动预测的ECG特征，难以区分CLD特异性信号或广泛代谢/心血管风险信号；（2）泛化性问题：训练队列（含40%失代偿CLD）与DULCE试验队列（排除advanced CLD且代谢因素更高）差异显著，影响阈值适用性；（3）低阳性预测值（整体PPV 4.4%）导致假阳性风险，增加下游检查负担和卫生经济学压力；（4）未与标准工具（如FIB-4）直接比较，限制性能评估；（5）临床决策不确定性：高风险结果后的评估依从性仅约16%，漏诊风险未量化。

预期应用场景为初级保健中的初步风险筛查工具：结合常规ECG检查，自动识别高风险患者，再由医生启动序贯非侵入性纤维化测试（如弹性成像），以优化资源分配并提升筛查可及性。

后续研究方向仅原文提及：需澄清模型特异性、校准风险阈值、评估成本效益，并整合至护理路径（如结合FIB-4等工具）。同时，应研究模型在多元疾病风险筛查中的潜力。