AI模型让房颤检出率提升近8倍！13万人筛查验证：精准锁定高危患者

*仅供医学专业人士阅读参考

人工智能结合电子病历数据，或将改变房颤筛查模式，让有限筛查资源优先覆盖真正高风险人群。

整理：易艾蓝

心房颤动（房颤，AF）是临床最常见的持续性心律失常之一，也是缺血性卒中的重要危险因素。然而，由于部分患者长期无明显症状，传统“年龄筛查”或基于危险评分的筛查方式，仍可能遗漏部分隐匿性房颤患者。

近期，Circulation杂志在线发表了一项多中心研究[1]。针对传统房颤筛查难以兼顾筛查效率与医疗资源利用的问题，研究团队开发并验证了一种基于电子健康记录（EHR）的人工智能预测模型——未来创新性房颤检测模型2.0（FIND-AF 2.0），其通过分析患者日常临床信息，能够提前预测未来6个月内发生房颤的风险（图1）。

图1 研究文献截图

研究显示，FIND-AF 2.0在来自英国、日本、以色列、加拿大和中国约1300万例电子健康记录中已完成验证，且在前瞻性临床研究中证实，模型筛选出的高风险人群房颤检出率达到4.5%，是低风险人群的8倍以上。那么，这个模型究竟是如何做到精准预测的？与传统筛查方法相比，又有哪些优势？

12项常规临床指标，AI找到“隐藏的房颤风险”

此前，临床对房颤风险的识别主要依赖年龄、CHA₂DS₂-VASc评分和C2HEST评分等工具。其中，CHA₂DS₂-VASc评分主要用于评估已确诊房颤患者发生卒中的风险，而C2HEST评分则用于预测未来新发房颤风险。但传统评分体系通常基于有限的临床因素进行简单加权，可能无法充分整合患者多维度健康信息，在早期识别潜在房颤高风险人群方面仍存在局限。

为提高房颤早期预测能力，研究团队利用随机森林机器学习算法建立FIND-AF 2.0模型。该模型仅使用临床电子病历中常规可获得的12项指标，包括年龄、性别、糖尿病、心力衰竭、高血压、卒中或短暂性脑缺血发作史、缺血性心脏病、慢性阻塞性肺疾病、瓣膜性心脏病、慢性肾病、类风湿关节炎以及甲状腺功能亢进。

随后，研究团队将其预测未来6个月新发房颤的能力与传统风险评分工具CHA₂DS₂-VASc和C2HEST评分进行头对头比较。结果显示，FIND-AF 2.0在多个研究队列中均表现出更优的预测性能，相比传统评分模型具有更高的区分能力，并且仅依赖更少、更易获取的临床信息即可完成风险评估，进一步提升了模型在真实医疗环境中的应用价值（图2）。

图2 FIND-AF 2.0、CHA₂DS₂-VASc和C2HEST房颤风险评分预测未来6个月新发房颤的表现比较

A：不同模型在各研究队列中预测未来6个月新发房颤的受试者工作特征曲线（ROC）比较。
B：FIND-AF 2.0模型相比CHA₂DS₂-VASc和C2HEST评分的曲线下面积（AUROC）提升情况，误差线表示95%置信区间。

进一步分析表明，在英国验证队列中，FIND-AF 2.0预测未来6个月房颤的准确性达到受试者工作特征AUROC0.819（AUROC越接近1，说明模型越能准确区分“未来会发生房颤的人”和“不会发生房颤的人”；越接近0.5，说明模型接近随机猜测。）；在日本、以色列、加拿大和中国队列中，AUROC分别达到0.751、0.835、0.747和0.753，均达到良好预测水平（图3）。

图3 FIND-AF 2.0、CHA₂DS₂-VASc和C2HEST评分预测未来6个月新发房颤的性能比较

值得注意的是，FIND-AF 2.0在所有国家队列的男性和女性亚组中均保持AUROC≥0.70，提示该模型具有较好的跨人群适用性。

高风险患者房颤检出率4.5%，是低风险组的8倍以上

为了验证模型能否真正指导临床筛查，研究纳入1923例年龄≥30岁、无既往房颤诊断的患者，所有患者均具有较高卒中风险（男性CHA₂DS₂-VASc评分≥2分，女性≥3分）。根据FIND-AF 2.0结果，将患者分为高风险组和低风险组：

• 高风险标准：FIND-AF 2.0评分≥0.0053；

• 评分低于该阈值，则归入低风险组。

分组后，所有患者均接受便携式单导联心电监测，每天记录4次心电图（早晨、中午、下午、晚上），连续监测3周。研究以监测期间是否发现新发房颤（至少一次心律完全不规则、无明显P波，并持续≥30秒）作为主要评价指标。

结果显示（图4）：

• 低风险组902例患者中，仅发现房颤5例（0.6%）；

• 高风险组1021例患者中，发现房颤46例（4.5%）；

• 高风险组房颤检出概率是低风险组的8.46倍（比值比，OR=8.46，P＜0.001）。

图4 不同FIND-AF 2.0风险分层患者在间歇性心电监测期间房颤累计发生情况。

进一步分析发现，在FIND-AF 2.0设定的风险阈值下，该模型表现出了较好的筛查能力：

• 敏感性达到90.2%，意味着在实际发生房颤的患者中，约9成能够被模型提前识别出来，漏诊风险较低；

• 阳性预测值（PPV）为4.5%，表示被模型判定为高风险的人群中，约每100人有4～5人在后续监测中确诊房颤。由于房颤本身属于低发生率事件，这一结果符合大规模人群筛查特点；

• 阴性预测值（NPV）达到99.4%，说明被模型判断为低风险的人群中，约99%以上的人在短期内不会发现房颤，具有较强的排除能力。

发现房颤后并非“筛出来就结束”，治疗决策更关键

房颤筛查的最终目标，并不仅是发现心律异常，而是通过早诊断、早干预降低卒中风险。研究显示，在筛查发现的51例房颤患者中，49例（96.1%）接受了口服抗凝治疗。此外，在芬兰抗凝房颤数据库（FinACAF）中，研究进一步观察高FIND-AF 2.0风险患者的临床结局。

结果发现：未接受抗凝治疗的房颤患者中，高FIND-AF 2.0风险患者缺血性卒中发生率为6.0次/100患者年，低风险患者为1.7次/100患者年。这提示，FIND-AF 2.0不仅能够帮助寻找“可能发生房颤”的患者，也可能帮助识别未来更需要关注卒中预防的人群。

结语

目前，房颤筛查面临一个关键挑战：筛查范围过大，容易增加医疗资源消耗和患者负担；筛查范围过窄，又可能遗漏隐匿性房颤患者。

FIND-AF 2.0提供了一种新的解决思路。该模型通过整合年龄、基础疾病等12项常规临床信息，利用电子健康记录数据提前识别未来6个月房颤风险较高的人群，而不是单纯依靠年龄或单一评分决定筛查对象。对于临床而言，人工智能并非替代医生决策，而是帮助医生更精准地分配筛查资源，优先发现需要进一步心电监测和卒中预防管理的患者。未来，随着电子病历与人工智能技术融合，房颤管理可能从“发现疾病”逐步转向“预测风险、提前干预”。当然，该策略是否能够进一步降低卒中发生率、改善患者长期预后，仍需更多随机对照研究验证。

参考文献：

[1].Nadarajah R, Wu J, Wahab A, et al. Risk-Guided Screening for Atrial Fibrillation Using Electronic Health Records. Circulation. 2026;154. DOI:10.1161/CIRCULATIONAHA.126.079391.

医学界心血管领域交流群正式开放！

加入我们吧！

责任编辑：银子

*"医学界"力求所发表内容专业、可靠，但不对内容的准确性做出承诺；请相关各方在采用或以此作为决策依据时另行核查。