人工智慧（Artificial intelligence，AI）分析12導聯心電圖可有效預估將來房顫發生的危險。但是，AI預測準確性是否能夠超過臨床危險因素預測的準確性尚不得而知。
馬薩諸塞州綜合醫院（Massachusetts General Hospital，MGH）縱向初級保健患者的12導聯ECG進行深度AI學習，得出預測5年AF危險的ECG-AI模型。三個預測模型，包括ECG-AI模型、CHARGE-AF臨床危險評分（Cohorts for Heart and Aging in Genomic Epidemiology–Atrial Fibrillation）和二者結合的CH-AI模型，在一個內部資料庫和2個外部資料庫（布里格姆婦女醫院[Brigham and Women’s Hospital，BWH]和英國生物樣本庫）進行比較。
深度學習佇列包括了45，770個體（55±17歲, 53%女性, 2171 AF事件），檢驗佇列包括83，162個體（59±13歲, 56%女性, 2424 AF事件）。結果發現CHARGE-AF和ECG-AI模型預測準確性ROC曲線下面積類似。CH-AI模型預測結果曲線下面積最高。校準誤差在ECG-AI和CH-AI是低的。進一步分析發現，心電圖P波在AI預測準確性方面價值最大。ECG-AI和CHARGE-AF預測準確具有線性相關。
ECG-AI預測準確性與CHARGE-AF預測準確性類似，二者具有互補作用。ECG-AI可有效定量未來房顫發生的危險性。
研究流程
人群基線特徵
不同人群、不同預測模型比較
Circulation. 2022;145:122–133.
