AI 助力高血压诊断与心血管风险评估：12 导联心电图的 “神奇变身”

为解决高血压诊断及心血管疾病（CVD）风险评估难题，麻省总医院研究人员开展基于 12 导联 ECG 的 HTN-AI 模型研究。结果显示该模型能精准识别高血压、分层 CVD 风险。推荐阅读，一同探究 AI 在医学领域的创新应用。

　　

在全球范围内，高血压如同一个潜伏在暗处的 “健康杀手”，悄无声息地威胁着超过 10 亿人的身体健康。它可是心血管疾病（CVD）的主要 “帮凶”，是导致人们患上各类心血管疾病的重要风险因素。

在诊断高血压这件事上，量血压本是常规手段，但实际操作起来却困难重重。血压测量值就像个调皮的孩子，特别容易受到各种因素的影响，一会儿高一会儿低。比如患者测量前有没有好好休息、是不是刚喝完咖啡、有没有排空膀胱等，都会让测量结果出现波动。而且，按照社会指南的要求，要准确测量血压，需要患者提前做好一系列准备，比如休息 5 分钟、避免运动和咖啡因摄入等。可在忙碌的临床环境中，这些要求就像难以完成的任务，很难严格落实。

更让人头疼的是，医生们往往只能依靠办公室测量的血压来诊断和管理高血压。这就好比用一把不准确的尺子去量东西，很难得到精准的结果。因为办公室测量的血压并不能完全反映患者日常生活中的真实血压水平。而且，有一部分患者还存在 “隐藏的危机”—— 10 - 15% 的患者有 “蒙面高血压”（masked hypertension），也就是办公室测量的血压正常，但实际上日常生活中的血压却偏高。在非裔美国人中，这种情况更为严重，患病率高达 50%。虽然指南建议进行 24 小时动态血压监测来发现这类问题，但在实际临床中，这种监测方法使用频率很低，只有医生怀疑患者有问题时才会安排。

既然血压测量这么麻烦，有没有更方便的办法呢？其实，12 导联心电图（12 - lead electrocardiogram，ECG）就有可能成为 “破案” 的关键。长期的高血压会悄悄改变心脏的结构和传导功能，这些变化会通过心电图的一些特征表现出来，像 QRS 电压升高、QT 间期延长、P 波时长和 PR 间期延长，还有复极化异常等。只不过，除了像左心室肥大这种比较明显的特征外，其他高血压相关的心电图特征都很细微，在日常临床诊断中很难派上用场。

为了解决这些难题，来自美国麻省总医院（Massachusetts General Hospital）的研究人员展开了一场 “医学探索之旅”。他们的研究成果发表在了《npj Digital Medicine》期刊上，论文题目是 “Hypertension identification and cardiovascular disease risk stratification using 12-lead electrocardiogram waveforms with deep learning” 。经过一系列研究，他们成功开发出了一种名为 HTN - AI 的深度学习模型，这个模型就像是一个聪明的 “医学小助手”，能够利用 12 导联心电图波形来识别高血压，还能对心血管疾病的风险进行分层评估。这一成果意义重大，它为高血压的诊断提供了新的方法，也为评估心血管疾病风险提供了新的思路，有望帮助医生更好地预防和治疗相关疾病。

在这项研究中，研究人员用到了几个关键技术方法。首先，他们从两个大型电子健康记录（EHR）队列中收集了大量数据，这些数据就像是 “宝藏”，为后续研究提供了丰富的信息。接着，在处理心电图数据时，他们对电压进行了标准化处理，还把采样频率进行了调整，让数据更 “整齐”。在构建 HTN - AI 模型时，采用了 1 维卷积、非线性激活函数等技术，通过优化算法不断训练模型，让它变得越来越 “聪明”。在分析数据时，运用了逻辑回归、Fine - Gray 回归等统计方法，从不同角度去解读数据背后的信息。

下面来看看具体的研究结果。

人口特征

研究人员从麻省总医院和布莱根妇女医院（Brigham and Women’s Hospital）的患者中收集数据。麻省总医院的样本包含 121,720 名患者，这些患者被分成了训练、开发和内部验证样本。其中训练和开发样本里有 752,415 份心电图，患者平均年龄 57.3 岁，超过一半的患者患有高血压。布莱根妇女医院的外部验证和结果样本有 56,760 名患者，平均年龄 55.1 岁，高血压患病率略低，但血压升高的比例和麻省总医院的样本相似。

高血压的数字生物标志物

为了验证 HTN - AI 模型预测的高血压概率（HTN - AI score）能不能作为诊断高血压的数字生物标志物，研究人员进行了三项关键研究。

• 识别现患高血压的模型性能：研究人员发现，HTN - AI 模型就像一个精准的 “探测器”，在识别高血压患者时表现出色。在麻省总医院内部验证样本中，它识别高血压的曲线下面积（AUROC）达到了 0.803，在布莱根妇女医院的验证样本中也有 0.771。这说明它能够很好地区分高血压患者和正常人。而且，在不同的样本中，它的平均精度、敏感度和特异度等指标也都表现不错。
• HTN - AI 评分与新高血压诊断短期发生率的关联：研究人员还发现，HTN - AI 评分和新高血压诊断的短期发生率之间有着密切的联系。在没有高血压病史的患者中，HTN - AI 评分高的患者组里，新诊断出高血压的人数明显更多。这意味着 HTN - AI 评分可以提前发现那些可能患有高血压，但还没有被诊断出来的患者，就像给医生提前发出了 “预警信号”。
• HTN - AI 评分与 24 小时动态血压的关联：研究人员进一步研究发现，HTN - AI 评分和金标准的 24 小时动态血压测量结果也有关系。在那些同时做过 24 小时动态血压监测和 12 导联心电图的患者中，HTN - AI 评分高的患者，24 小时平均收缩压更高，而且出现异常 24 小时动态血压的几率也更大。这表明 HTN - AI 评分能够反映患者真实的血压水平。

高血压相关心血管疾病的风险分层

HTN - AI 模型除了能诊断高血压，还能对高血压相关的心血管疾病风险进行分层。研究人员发现，HTN - AI 评分不同的患者，心血管疾病的发生率有很大差异。在布莱根妇女医院的样本中，HTN - AI 评分高的患者，死亡率、心力衰竭（HF）、心肌梗死（MI）、中风和主动脉夹层或破裂的发生率都更高。而且，无论患者是否有高血压病史，HTN - AI 评分都能对心血管疾病的发生率进行分层。即使考虑了年龄因素，HTN - AI 评分仍然能准确地评估风险。将 HTN - AI 评分按五分位数分层后，发现事件主要集中在评分最高的五分之一患者中，风险随着评分降低逐渐减少。在回归模型中，HTN - AI 评分与各种心血管疾病的发生风险都显著相关，而且它的效果比传统的血压测量指标还要好。在区分心血管疾病发生率方面，HTN - AI 评分的 C 统计量也表现出色，在某些疾病上甚至超过了传统的临床风险评分。

模型可解释性

为了搞清楚 HTN - AI 模型是怎么 “思考” 的，研究人员进行了深入探索。他们发现，心电图的一些测量指标，比如 aVL 导联的 R 波振幅、R 波电轴和 QRS 间期等，对 HTN - AI 评分的影响比较大。通过生成显著性图和中位心电图波形，研究人员发现不同导联中，对模型输出影响最大的区域不一样，但一般来说，心电图中不对应心房或心室去极化、复极化的区域（T - P 段）对模型预测的贡献不大。而且，高风险和低风险患者的中位波形也有明显差异，高电压、更宽的 QRS 波群以及更宽更平的 P 波和 T 波都和更高的 HTN - AI 评分有关。研究人员还发现，即使心电图看起来正常，HTN - AI 评分和心血管疾病之间的关联仍然很显著，这说明这个模型即使在没有明显心电图异常的情况下，也能预测心血管疾病风险。

在讨论部分，研究人员总结了 HTN - AI 模型的优势和局限性。这个模型是基于深度学习开发的数字生物标志物，它能通过 12 导联心电图波形准确识别高血压，还能评估心血管疾病风险。和传统的办公室血压测量相比，它能捕捉到更多与高血压相关的信息，在一些心血管疾病的预测上，比传统临床风险评分表现得还要好。不过，这个模型也有一些不足。比如在训练模型时，高血压的诊断主要依靠办公室血压和诊断代码，而不是金标准的 24 小时动态血压监测，这可能会导致一些误诊。而且，研究样本来自美国同一地区的两家医院，可能不具有广泛的代表性。

总的来说，HTN - AI 模型为高血压的诊断和心血管疾病风险评估带来了新的希望。它就像一把新的 “医学钥匙”，有可能打开更精准医疗的大门。虽然目前还有一些问题需要解决，但随着研究的不断深入，未来它或许能在临床实践中发挥更大的作用，帮助医生更好地守护人们的心血管健康。