AI 读心电图揪出「隐形」心衰，智能手表筛查在望

心衰是影响全美超过 600 万人的「隐形杀手」，也是住院和死亡的主要原因之一。8 月 7 日，美国维克森林大学医学院（Wake Forest University School of Medicine）团队在《美国心脏协会杂志》（JAHA）发表了一项研究：一个 AI 模型只靠常规心电图（ECG），就能识别三种左心室功能障碍——其中就包括临床中最容易漏诊的射血分数保留型心衰（HFpEF）。更值得注意的是，它仅用单导联数据也能工作，这与智能手表的 ECG 测量方式几乎一致。

为什么这条新闻值得医疗器械和可穿戴从业者关注？因为确诊心衰通常依赖超声心动图——一台并不在每个基层诊所、乡村卫生站都有的设备。如果常规心电图这种「遍地都是」的检查能被 AI 重新挖掘价值，筛查成本结构将被彻底改写：先筛出高危人群，再送去做进一步确诊，资源用在刀刃上。

HFpEF：射血分数正常，却依然心衰

射血分数（Ejection Fraction）是每次心跳左心室泵出的血液百分比，是衡量心脏泵血能力的核心指标。传统收缩性心衰表现为射血分数明显下降（rEF），容易识别；但 HFpEF 患者的射血分数可能仍在正常范围，只是心室变得僵硬、充盈受阻，泵血效率大打折扣。症状可以很明显，常规评估却看不出「泵力变弱」，这正是 HFpEF 长期被低估、漏诊的原因。团队正是针对这类「数字正常、功能异常」的难题设计模型。

百万份心电图喂出来的「翻译官」

研究团队用 Atrium Health Wake Forest Baptist 积累的超过 100 万份心电图训练模型，再用田纳西大学健康科学中心独立收集的 7.2 万余份心电图做外部验证——这一步很关键，因为只在本院数据上表现好的算法，换一个人口结构就可能失灵。模型将心电图分为四类：射血分数降低（rEF）、轻度降低（mEF）、HFpEF 或无异常，本质上是在把「人眼看不出的微弱电信号模式」翻译成临床可分诊的结论。

「我们的 AI 模型仅凭一条单导联心电图就能识别多种心功能障碍——这与许多智能手表和可穿戴 ECG 设备的导联配置相同，意味着模型未来有望被改造成基于可穿戴设备的筛查工具。」——通讯作者、维克森林大学心血管医学系人工智能教授 Oguz Akbilgic

单导联的想象空间：从诊室到手腕

研究同时训练了 12 导联与单导联两个版本，结果单导联表现与完整 12 导联相当接近，说明关键诊断信息高度浓缩在有限的心电信号中。主要发现：12 导联模型识别 rEF 最拿手，mEF 与 HFpEF 稍弱但足以支撑筛查与决策支持；单导联模型几乎追平 12 导联；儿科人群中识别 rEF 表现突出，且跨种族人群泛化良好。研究者特别强调：研究并未直接使用消费级手表采集的数据，这只是「技术潜力」，还不是已获认证的手表诊断功能——这个边界划得很清楚，也给硬件厂商留出了想象空间。