心房颤动 (AF) 是成人中最常见的持续性心律失常。但据报道，临床上约三分之一患者发作房颤时无明显自觉不适，即无症状房颤。这也导致许多患者因未能及时就医，延误了病情。
2024年12月7日，外国学者用MIMIC-IV 数据库，在期刊《European Heart Journal》（医学一区top，IF=37.6）发表题为：“Prediction of incident atrial fibrillation using deep learning, clinical models, and polygenic scores”的研究论文，研究团队基于深度学习模型（ECG-AI），旨在使用患者的心电图数据开发一个心房颤动（AF）的预测模型。
研究结果表明，ECG-AI在内部验证和外部验证中均表现出良好的预测性能，可准确预测患者心房颤动风险。并且，该模型的预测能力优于现有的其他预测患者是否有AF风险的方法。
本公号回复“ 原文”即可获得文献PDF等资料
在排除异常值后，研究团队按照7：1：2比例，将剩余的数据划分训练集、验证集和测试集。模型的构建过程如下：
团队使用四个A6000 GPUs（NVIDIA、Santa Clara、CA、USA），在训练集上对单个随机权重初始化的ResNet-50模型进行了训练；
通过贝叶斯网格搜索方法在验证集上优化超参数；
根据最低损失选择验证集中表现最好的模型，然后，在内部 MHI 测试集中的三个子组上报告该模型性能，即 “MHI All-Comers”、“MHI Hospitalized” 和 “MHI Biobank”。
研究团队使用多个指标评估模型性能，包括区分度、校准度和受试者工作特征曲线下面积（AUC-ROC）等。
内部测试的结果显示，ECG-AI模型的AUC-ROC为0.78；
外部测试的结果显示，ECG-AI模型的AUC-ROC为0.77。
此外，研究团队还进一步将ECG-AI模型与其他预测方法进行比较，结果表明，该模型的预测能力优于现有的其他预测方法。具体结果如下：
ECG-AI模型（AUC-ROC=0.76）的预测性能优于现有的临床预测评分——老龄化和基因组流行病学研究队列-心房颤动（CHARGE-AF） 评分以及多基因评分（PGS）。
同时，团队还发现在ECG-AI中加入PGS和CHARGE-AF能够提高模型的拟合优度 ，此时AUC-ROC的变化（从0.76变化至0.77）最小。
图4 MHI Biobank测试集中，模型的性能评估结果
亮点小结
郑老师统计团队及公众号
全国较大的线上医学统计服务平台，专注于医学生、医护工作者学术研究统计支持，我们是你们统计助理！
