共计 975 个字符，预计需要花费 3 分钟才能阅读完成。
一项发表于《eBioMedicine》的最新研究揭示，基于心电图（ECG）的深度学习技术，有望成为检测慢性阻塞性肺疾病（简称慢阻肺）的一种创新、可扩展且具有生物学依据的方法。这项人工智能分析心电图的突破，为应对全球主要致病致死疾病——慢阻肺的早期诊断难题，提供了极具前景的新途径。
慢阻肺的早期诊断对于疾病管理和改善患者预后至关重要。然而，其早期症状往往缺乏特异性，而传统的诊断方法，如肺功能检查，通常资源密集且普及受限，导致许多患者的诊断被延误。为了解决这一挑战，研究团队将目光投向了人工智能分析心电图这一简便、普及的检查手段，探索其识别早期慢阻肺患者的潜力。
来自西奈山健康系统的研究人员开发了一种卷积神经网络模型，专门用于对心电图数据进行深度分析以检测慢阻肺。该研究的主要目标是评估该人工智能模型根据国际疾病分类（ICD）编码，判断新临床慢阻肺诊断的准确性。研究人员通过计算受试者工作特征曲线下面积（AUC）来评估模型性能，并在三组独立的数据集中进行了严格测试：一组来自保留的西奈山医院患者心电图、一组来自另一家外部医院的患者心电图，以及英国生物银行数据库中慢阻肺患者的心电图数据。
这项大规模研究共分析了来自 18，225 例慢阻肺患者的 208，231 份心电图，并匹配了 49，356 名在年龄、性别和种族上具有可比性的对照者。令人印象深刻的是，这款人工智能分析心电图的模型在不同测试人群中均表现出稳健且一致的性能：在西奈山内部测试组中 AUC 达到 0.80，在外部医院验证组中 AUC 为 0.82，在英国生物银行队列中 AUC 为 0.75。这些数据有力地证明了该模型具有良好的泛化能力。
为了进一步验证人工智能分析结果的可靠性，研究团队进行了关联分析，将模型基于心电图的预测结果与标准的肺活量测定数据进行了对比验证，结果显示出良好的一致性。此外，通过对模型进行可解释性分析，研究人员发现心电图中的 P 波变化是提示慢阻肺的特征性指标之一，这为人工智能诊断提供了生物学依据，增加了其临床可信度。
研究人员总结认为，人工智能驱动的心电图分析为早期发现慢阻肺开辟了一条前景广阔的路径。这项技术有望助力实现更早、更有效的疾病干预。展望未来，若此类人工智能工具能够成功整合进常规临床实践，或将显著提升慢阻肺的筛查与诊断效率，从而改善患者长期预后，并有效减轻这一疾病带来的全球健康负担。
