基于深度学习的心电图表征血红蛋白：贫血无创筛查与心血管风险预测的新策略

《Internal and Emergency Medicine》：Non-invasive hemoglobin estimation with outcome prediction via deep learning analysis of ECG-derived cardiac micro-dynamics

本研究针对资源有限地区贫血筛查的难题，开发了一种基于深度学习模型（DLM）的心电图-血红蛋白（ECG-Hb）无创检测方法。该模型在内部和外部验证集中对中重度贫血（Hb≤10 g/dL）的检测曲线下面积（AUC）分别达0.8545和0.8243，且发现ECG-Hb严重偏低患者全因死亡风险（HR=1.71）和新发心衰风险（HR=2.47）显著升高。研究表明ECG-Hb兼具诊断与预后价值，为贫血筛查提供了低成本、可推广的新方案。

　　

在全球范围内，贫血影响着超过8亿人，尤其在医疗资源匮乏地区，传统的血红蛋白（Hb）检测方法因具有侵入性、成本高昂且依赖专业设备，导致大量无症状贫血患者未能得到及时诊断和治疗。贫血不仅本身危害健康，更会增加心血管疾病风险和死亡率，因此开发一种便捷、低成本的筛查工具迫在眉睫。心电图（ECG）作为一种广泛使用、非侵入性且成本低廉的检查手段，其信号中蕴含的细微变化（如心率变异性，HRV）已被发现与贫血存在潜在关联，但人眼难以直接识别这些模式。随着人工智能（AI），特别是深度学习（Deep Learning）在医疗领域的突破，AI-ECG已展现出超越人眼的能力，能够从常规心电图中检测出多种疾病。那么，能否利用AI从心电图中无创地估算血红蛋白水平，从而实现贫血的快速筛查，并进一步评估其与远期健康结局的关联呢？发表在《Internal and Emergency Medicine》上的这项研究给出了肯定的答案。

为开展本研究，研究人员主要运用了几项关键技术方法：首先，研究采用了回顾性队列设计，数据来源于两家医院（Tri-Service General Hospital系统内的A院和B院），收集了2010年1月至2021年9月期间患者的12导联心电图及其相应时间窗内的实验室血红蛋白（Lab-Hb）数据，构建了开发集、调优集、内部验证集和外部验证集。其次，核心模型是基于一个82层的卷积神经网络（ECG-12Net）训练深度学习模型（DLM），输入原始心电图信号来连续预测ECG-Hb值。此外，研究还利用XGBoost模型分析了心电图特征（包括31种诊断模式、8项连续测量指标以及HRV参数如SDNN、RMSSD等）对于ECG-Hb预测的重要性，以增强模型的可解释性。最后，采用Cox比例风险模型评估了ECG-Hb水平与长期结局（全因死亡率和新发心衰）之间的关联。

结果

深度学习模型在贫血检测中的表现

该研究开发的ECG-Hb DLM在内部和外部验证集上均表现出良好的诊断性能。模型预测的ECG-Hb与实验室实测Hb之间存在中等程度的相关性（内部验证集Pearson r=0.56，外部验证集r=0.53）。

对于检测中度至重度贫血（Hb≤10 g/dL），模型在内部验证集的曲线下面积（AUC）为0.8545，灵敏度（Sens）为65.9%，特异度（Spec）为84.8%；在外部验证集的AUC为0.8243，灵敏度为71.0%，特异度为77.4%。模型在检测重度贫血（Hb≤8 g/dL）方面表现更优，内部和外部验证集的AUC分别达到0.9038和0.8766。

与ECG-Hb相关的关键心电图特征

研究人员通过可解释性分析揭示了影响ECG-Hb预测的关键心电图特征。

校正后QT间期、缺血/梗死标志、QRS波时限、T波电轴、心率以及HRV参数是其中最重要的特征，其重要性甚至超过了一些心电图形态学特征。

这表明模型主要依据心电活动的时序和间期变化，而非单纯依赖形态学来估算血红蛋白。

ECG-Hb的预后价值

研究进一步评估了ECG-Hb的预后意义。结果显示，在基线Lab-Hb正常（>10 g/dL）的患者中，若ECG-Hb预测值为严重偏低，其长期死亡和新发心衰的风险显著升高。