我们每个人都有一个自然的时序年龄，它记录人体的成长衰老，有时却并不能准确反映身体的健康状况，为此科学家们尝试通过身体的真实信号来预测衰老和死亡。在8月25日发表于 Nature Communications 的一项最新研究中，来自巴西的研究团队使用156万名患者的心电图等数据，用深度学习模型为每个人构建了一个“心电图年龄”，并发现据此能够预测个体未来的死亡率。这将帮助识别出未知的高风险人群，提高社会的健康水平，并找到那些不为人知的风险因素。Deep neural network-estimated electrocardiographic age as a mortality predictorhttps://www.nature.com/articles/s41467-021-25351-7人的年龄反映着身体健康状况，可以看成对人体这一复杂系统的降维。然而参加过毕业十年聚会的同学都明白，个人的时序年龄不等于身体的实际状况。为了更准确地描述身体状况，科学家提出了“生物学年龄”的概念，将生理指标及生活习惯通过算法整合，即可算出生物学年龄，可以看成是对复杂系统的自动化建模。如果依据的指标聚焦于某个组织器官，则计算的是相应组织或器官的年龄，例如心血管年龄描述心脏的健康水平，皮肤年龄描述皮肤状况相当于多少岁的人。相比传统方法，深度学习模型的优势在于，它是一个端到端的模型，不需专家基于经验设置。训练过程也很简单，不需要手动标注的数据，只需要观测受试者7~10秒的心电图，将实际年龄做标签，使用多层卷积神经网络，就可以预测出对应的“心电图年龄”。研究发现，如果一个人的心电图年龄大于时序年龄超过8岁，其全因死亡率是正常人群的1.79倍；如果心电图年龄小于实际年龄8岁，那么全因死亡率则只有正常人群的0.79倍。图1：三个不同的数据集（a, b, c）中，心血管年龄与时序年龄的差值不同，对应显著的全因死亡率差异。绿线：心电图年龄小于时序年龄超过8岁；蓝线：心电图年龄与时序年龄差别在8岁以内；橙线：心电图年龄大于时序年龄超过8岁。该研究用到的三个数据集，既包含来自于健康人的，也包含心血管疾病或糖尿病慢性患者的。其年龄分布见下图2所示。(a) 中人群的时序年龄均匀分布在25~75岁之间，(b)(c)的年龄则偏大一些，以五六十岁居多。在三个数据集上，心电图年龄都能显著预测全因死亡率，这论证了模型的鲁棒性，即其适用范围很广。而距离采样的时间越久，心电图年龄预测出的死亡率差异就越明显。图2：三个数据集中心血管年龄（纵轴）和时序年龄（横轴）的分布对深度学习模型的一个常见批评是缺少可解释性。对于模型预测的心电图年龄超过实际年龄8岁的人群，一定想知道是什么因素导致模型做出了这样的预测。
尽管无法针对个体给出个性化的回答，该模型可以解释，在心电图年龄超龄者中，哪些生活习惯和慢性疾病更经常出现，比如图3中可以看到，高血压、粥状动脉硬化、超重及吸烟等广为人知的心血管疾病高风险因素，以及中高强度运动等心血管疾病保护因素。图3：心电图年龄超龄人群的高危慢性病和生活习惯，（a）对应所有样本，（b）对应心电图正常的样本。即使在数据分析中去除了年龄、性别、常见心血管高危因素带来的影响，心电图年龄超龄者的死亡率也显著高于正常人群，这说明深度学习模型捕捉到了一些还不为人知的风险因素。这些因素虽然单个来看影响不大，但日积月累，却会增加死亡率。通过识别出之前未知的高风险人群，可能会促使他们更积极地参与并完成干预计划（例如运动或饮食改变），从而提升全社会的健康水平。总结来看，该模型预测的心电图年龄，描述了衰老过程如何影响心电图检测。心电图年龄大于时序年龄的直观解释是，在心电图测试中更类似年老的人，因而死亡率也越高。从临床角度，尽管将心电图精简为一个数字，忽略了众多混杂因素，是一种过度简化，但这个数字可以被没有经过医学训练的人理解，并指导其健康管理，从而体现了心电图年龄的价值，可看成是对心电图数据的全新解读方式。在未来也可以结合更多维度的数据，来构建可更准确描述心血管健康水平的心血管年龄。佛明翰心脏研究发现，在社区居民中，若心电图年龄比实际年龄越大，死亡、心梗、房颤和心衰风险越高。研究纳入9877名社区居民，平均年龄55岁，共有34948个心电图。根据心电图年龄比实际年龄的差值将受试者分为正常、加速衰老或减速衰老。心电图年龄比实际年龄大≥9岁为加速衰老，心电图年龄比实际年龄小≥9岁为减速衰老。研究发现，心电图年龄与实际年龄相关（r=0.81，平均绝对误差为9±7岁）。经过17±8年的随访，年龄变化每增加10年，全因死亡风险增加18%，房颤风险增加23%，心梗风险增加14%，心衰风险增加40%。此外，加速衰老与全因死亡风险增加28%有关，而减速衰老与全因死亡风险降低16%有关。研究表明，通过人工智能从心电图波形中获取的心电图年龄反映了心脏电功能，心电图年龄可能是预测心血管病风险的指标。来源：Association Between Electrocardiographic Age and Cardiovascular Events in Community Settings: The Framingham Heart Study. Circ Cardiovasc Qual Outcomes. 2023 Jun 29:e009821.研究者最近创建了一种机器学习算法，使用人工智能12导联心电图来预测年龄，称为AI-ECG年龄。这种生物标志物提示生理年龄。此外，研究表明，AI-ECG年龄以及AI-ECG年龄和实际年龄之差（也称为年龄差）与总死亡率和心血管源性死亡率相关，可能反映了生理衰老。该研究中，假设LMNA突变携带者显示生理年龄的增加，AI-ECG年龄差增加，与年龄和性别匹配的对照组相比，没有心脏症状或通过传统方法心脏异常的人群也显示出衰老加速。研究者应用先前训练的卷积神经网络模型，通过心电图(ECG)[AI-ECG年龄]对2003年1月1日至2019年12月31日期间接受多次ECG评估的LMNA患者预测生理年龄。年龄差为实际年龄和AI-ECG年龄之差。研究结果与年龄/性别匹配的对照组进行了比较。研究者研究了31名LMNA患者，总计271例心电图。出现症状时的中位年龄为22岁（范围<1-53岁；n¼ 23名患者）；8名患者是携带LMNA突变的无症状家庭成员。16名患者采用ECG和超声心动图检测到心脏受累，包括室性心律失常(13例)、心房颤动(12例)和心肌病(6例)。4名患者需要心脏移植。14名患者有神经系统表现，主要是肌肉萎缩症。LMNA突变携带者（包括无症状携带者）的AI-ECG年龄比非LMNA携带者大16岁，提示生理年龄加快。与对照组相比，大多数LMNA患者的年龄差超过10岁(P<.001)。连续的AI-ECG分析显示，与对照组相比，LMNA组的衰老速度加快（P<.0001）。不同表型的LMNA患者之间的年龄差没有显著差异。图3.所有LMNA突变患者的首次心电图(ECG)显示年龄差较大AI-ECG预测LMNA突变患者的生理年龄大于实际年龄，即使没有心脏异常，也会加速衰老。这一发现可转化为早期医疗干预并作为疾病的生物标志物。AI赋能的心电图研究发现数字年龄与生物学年龄之间的差异会显著影响健康和长寿明尼苏达州罗切斯特 — 你可能比你认为的更老或更年轻。一项新研究发现，人工智能(AI)赋能的心电图(EKG)所预测的年龄与生物学年龄之间的差异，可以为健康和长寿提供可衡量性的见解。AI模型准确地预测了大多数受试者的年龄，心电图年龄与实际年龄之间的平均年龄差为0.88岁。但是，一些受试者的年龄差要大得多，心电图年龄看起来要么老得多，要么年轻得多。与心电图年龄和实足或实际年龄相同的受试者相比，心电图年龄看起来更老的受试者在随访期间死亡的可能性要高得多。当预测心脏疾病导致的死亡时，这种关联甚至更强。相反，年龄差较小（心电图认为更年轻）的受试者风险较低。“我们的研究结果验证并扩充了我们之前的观察发现，即通过证明心电图年龄大于预期的人会更早死亡，特别是死于心脏病，使用AI的心电图年龄或许可以检测加速衰老。我们知道，死亡率是衡量生物学年龄的最佳方式之一，而我们的模型证明了这一点，”妙佑医疗国际(Mayo Clinic) 预防心脏病学科的主任Francisco Lopez-Jimenez医学博士说。Lopez-Jimenez博士是该研究的资深作者。当研究人员调整这些数据以考量多个标准风险因素时，年龄差与心血管死亡率之间的关联更加明显。与实际年龄相比，心电图年龄最大的受试者具有最高的风险，即使考虑到可以预测其存活期的身体病况也是如此，而与实际年龄相比，心电图年龄最小的受试者具有较低的心血管风险。研究人员用先前训练和验证过的AI算法评估了超过25,000名受试者的12导联心电图数据，以提供生物学年龄预测。正年龄差（心电图年龄大于实足或实际年龄）的受试者随着时间的推移显示出与全因和心血管死亡率的明显联系。该成果发表在《欧洲心脏杂志 ― 数字医疗》上。研究受试者通过罗切斯特流行病学项目被拣选，该项目的健康相关信息索引是由明尼苏达州奥姆斯特德县的医疗服务提供者所提供。试者的平均年龄约为54岁，接受随访约12.5年。该研究排除了有心脏病发作、搭桥手术或支架植入、中风或房颤基线病史的候选者。“我们的发现提供了一些机会，可以帮助确定哪些人可能从预防策略中获益最多。既然心电图年龄与存活期有关的观点已被证实，那么现在该考虑如何将其纳入临床实践了。需要做更多的研究来找到最好的施行方法，”Lopez-Jimenez博士说。
人工智能-心电图预测性别和年龄
背景
人们知道，性别和年龄会影响到心电图。一些生物学变异和解剖因素可引起性别和年龄相关的心电图差异。我们用一个卷积神经网络（CNN）通过深度学习的过程进行训练，只使用12导心电图信号来预测一个人的年龄和性别。我们进一步假设，CNN预测的年龄和按时间顺序排列的年龄之间的差异可以作为健康的一个衡量标准。
方法
用CNNs对499727例患者的每10秒种12导心电图信号预测性别和年龄。然后275056例患者进行了网络测试，再随机选择100名患者（按每10年分节段）用多份心电图测试CNN评估的准确性。
结果
275056例患者中，男性占52%，平均年龄为58.6±16.2岁。在辨别性别方面，该模型取得90.4%的精确度（0.97曲线下的面积0.97）。年龄预测的均误差为6.9±5.6年。随机的100例患者的年龄至少跨越20岁范围，大多数患者（51%）在实际年龄和CNN预测年龄之间的平均误差小于7岁。在CNN预测年龄超过真实年龄7岁的患者中，主要有以下影响因素：左室射血分数低、高血压和冠心病（p<0.01）。有27%的患者CNN预测年龄与真实年龄相关性大于0.8，在随访期间（33±12年）未发生事件。结论
将人工智能应用到心电图中，可以预测病人的性别和年龄。人工智能算法确定生理年龄的能力得到进一步验证后，可以作为衡量健康的一个指标。
做一份12导心电图辨别性别八九不离十，预测年龄误差不超过7岁，如果超过真实年龄8岁，你可能有心功能不全、高血压或者冠心病。这是梅奥诊所通过大数据分析，训练出来的人工智能！
梅奥诊所之前在柳叶刀杂志已经发表了用人工智能分辨阵发性房颤患者和正常人的心电图，从而可以从心电图预测你是不是发过房颤。准确性也高达90%。
最后来看文章中的4份心电图。性别全部准确，A年龄相差2.4岁；B相差0.2岁；C相差11.9岁，患者有过心梗、高血压和糖尿病，所以预测年龄＞实际年龄10岁；D预测年龄比真实年龄小15.3岁，原来是一位非常健康的老太太。（原文B、C标注应该有误）
本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请
点击举报。
