人工智能预测心脏猝死与恶性室性心律失常的性能:系统综述与偏倚风险评估
《Revista Portuguesa de Cardiologia》:Clinical readiness and methodological rigor of AI models for ventricular arrhythmia and sudden cardiac death prediction: A systematic review with PROBAST+AI appraisal
【字体:
大
中
小
】
时间:2026年10月13日
来源:Revista Portuguesa de Cardiologia 2.0
编辑推荐:
摘要心脏猝死(SCD)仍然是导致死亡的重要原因,而基于左心室射血分数(LVEF)的风险分层方法存在显著局限性。人工智能(AI)已成为一种用于建模复杂心律失常风险的潜在方法。我们进行了一项系统性综述,预设亚组参考结果(无meta分析),以评估AI模型在预测心脏猝死和恶性室性心律
摘要
心脏猝死(SCD)仍然是导致死亡的重要原因,而基于左心室射血分数(LVEF)的风险分层方法存在显著局限性。人工智能(AI)已成为一种用于建模复杂心律失常风险的潜在方法。我们进行了一项系统性综述,预设亚组参考结果(无meta分析),以评估AI模型在预测心脏猝死和恶性室性心律失常方面的性能,并根据PROBAST+AI工具评估偏倚风险。我们检索了MEDLINE/PubMed、Embase和Scopus数据库从建库起至2025年10月3日的文献。亚组参考结果仅限于报告了按模态和时间范围预先定义亚组中具有95%置信区间(CI)的ROC曲线下面积(AUROC)的研究;未报告CI或仅基于交叉验证变异性的研究则作为补充证据进行叙述性综合。十三项研究符合纳入标准;其中五项在预设亚组中提供了具有95%置信区间的AUROC,并被纳入作为参考估计值(每个亚组k=1)。方法学质量和报告总体受到局限:54%的研究(7/13)被PROBAST+AI评定为高偏倚风险,主要原因为仅采用交叉验证的设计、分析单位问题、外部验证有限以及校准报告不足。在参考估计值中,应用于单导联动态心电图(Holter ECG)的深度学习模型在短期时间窗内对室性快速性心律失常显示出高鉴别力(AUROC 0.948;95% CI 0.926–0.967),而基于12导联心电图的模型在长期心脏猝死预测方面表现出良好性能(AUROC 0.820;95% CI 0.794–0.847)。多模态参考估计值(AUROC 0.84)在数值上优于心脏磁共振影像组学参考估计值(AUROC 0.70),尽管这属于研究间的间接比较。应用于心电图的AI模型在短期风险窗口中报告了较高的鉴别力;然而,研究间的比较仍属间接,方法学异质性仍然是临床应用的障碍。
Mislav Puljevic|Marina Petrovic|Hana Ivandic|Nora Knez|Ana-Marija Brekalo|Lucija Kantolic|Branimir Pervan
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号