DOI: https://doi.org/10.1038/s41746-026-02344-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41548032
تاريخ النشر: 2026-01-17
المؤلف: Seung Hyun Park وآخرون
الموضوع الرئيسي: مراقبة وتحليل تخطيط القلب الكهربائي
نظرة عامة
تبحث الدراسة في فائدة عمر تخطيط القلب الكهربائي (ECG) المستمد من الذكاء الاصطناعي (AI) كعلامة محتملة لخطر الرجفان الأذيني (AF). قام المؤلفون بتطوير نموذج يسمى PROPHECG-Age Single، الذي يقدر عمر ECG من أجهزة ECG أحادية القناة القابلة للارتداء. قاموا بتقييم العلاقة بين فجوة عمر ECG (الفرق بين العمر المتوقع والعمر الزمني) ووجود وعبء AF في سياق المراقبة الذاتية في العالم الحقيقي.
لتدريب النموذج، تم تحويل مليون تخطيط قلب كهربائي ذو 12 قناة إلى إشارات أحادية القناة اصطناعية باستخدام شبكة تنافسية مولدة متسقة دورياً، مما أدى إلى نموذج قائم على الشبكة المتبقية. أسفرت عملية التحقق عبر مجموعتين مستقلتين، S-Patch وMemo Patch، عن أخطاء مطلقة متوسطة بلغت 10.01 و11.88 سنة، على التوالي. كشفت التحليلات عن ارتباط كبير بين فجوة عمر ECG ووجود AF (نسبة الأرجحية 1.03 لكل سنة فجوة)، بالإضافة إلى زيادة متCorresponding في عبء AF، حيث ارتبط كل عام إضافي في الفجوة بزيادة قدرها 0.8 نقطة مئوية. تشير هذه النتائج إلى أن عمر ECG المستمد من الذكاء الاصطناعي يمكن أن يكون علامة حيوية رقمية قيمة للمراقبة القلبية الاستباقية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الدور الهام للشيخوخة الفسيولوجية في تطور الأمراض القلبية الوعائية، وخاصة الرجفان الأذيني (AF)، الذي يزداد انتشاره عالمياً. يعد تخطيط القلب الكهربائي (ECG) أداة تشخيصية غير جراحية حيوية تلتقط النشاط الكهربائي للقلب وقد حظيت باهتمام كعلامة حيوية رقمية لتقييم شيخوخة القلب. لقد مكنت التقدمات الأخيرة في الذكاء الاصطناعي (AI) من تقدير “عمر تخطيط القلب الكهربائي” (عمر AI-ECG) من تسجيلات ECG القياسية ذات 12 قناة أثناء إيقاع الجيوب الأنفية. ومن الجدير بالذكر أن “فجوة عمر AI-ECG”، التي تعكس الفرق بين عمر ECG المتوقع بواسطة الذكاء الاصطناعي والعمر الزمني، قد ارتبطت بتدهور الصحة القلبية الوعائية، وزيادة الوفيات، وزيادة خطر AF، بما في ذلك تكرار الحدوث بعد التدخل.
على الرغم من هذه التقدمات، تعتمد نماذج عمر AI-ECG الحالية بشكل أساسي على تسجيلات ECG المستندة إلى المستشفيات، والتي تفشل في التقاط التغيرات الكهربائية المستمرة التي تحدث في الحياة اليومية. تقيد هذه القيود الدقة الزمنية والتطبيق العملي لمقاييس العمر المستمدة من الذكاء الاصطناعي. تقدم الابتكارات الأخيرة في تكنولوجيا ECG أحادية القناة القابلة للارتداء فرصة للمراقبة القلبية المستمرة خارج البيئات السريرية. ومع ذلك، تم إعاقة تطوير نماذج الذكاء الاصطناعي القوية لهذه الأجهزة القابلة للارتداء بسبب ندرة مجموعات بيانات ECG أحادية القناة عالية الجودة على نطاق واسع. لمعالجة هذا التحدي، يقترح المؤلفون مبادرة PROPHECG-Age، التي تهدف إلى تعزيز الفهم وتطبيق مقاييس شيخوخة القلب المستمرة.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي أجريت. عادةً ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول التي توضح نتائج الدراسة. غالباً ما تتم مقارنة النتائج مع الفرضيات الأولية أو الدراسات السابقة لتسليط الضوء على الفروق المهمة أو التأكيدات.
في هذا القسم، قد يبلغ المؤلفون عن مقاييس محددة، مثل المتوسطات، والانحرافات المعيارية، أو قيم p، لدعم ادعاءاتهم. بالإضافة إلى ذلك، يتم مناقشة أي اتجاهات أو أنماط ملحوظة في البيانات، مما يوفر رؤى حول تداعيات النتائج. بشكل عام، يخدم هذا القسم لنقل الأدلة التجريبية التي تدعم أهداف البحث والاستنتاجات المستخلصة في الأقسام اللاحقة.
المناقشة
في هذه الدراسة القائمة على سجلات مزدوجة، قام المؤلفون بتطوير والتحقق من صحة نموذج PROPHECG-Age Single، الذي يقدر “عمر تخطيط القلب الكهربائي” من تسجيلات ECG أحادية القناة. كشفت الدراسة أن كل زيادة بمقدار سنة واحدة في فجوة عمر AI-ECG كانت مرتبطة بزيادة قدرها 3% في احتمالات وجود الرجفان الأذيني (AF) وزيادة قدرها 0.80 نقطة مئوية في عبء AF، مما يشير إلى علاقة كبيرة بين فجوة عمر AI-ECG ووجود وشدة AF. ومن الجدير بالذكر أن مجموعة S-Patch أظهرت انتشاراً أعلى لـ AF (81%) مقارنةً بمجموعة Memo Patch (5%)، إلى جانب اختلافات سريرية أخرى مثل العمر والأمراض المصاحبة.
أظهر النموذج أداءً قوياً في توليد إشارات ECG عالية الدقة وأظهر أن فجوة عمر AI-ECG ترتبط إيجابياً بعبء AF. كما سلطت الدراسة الضوء على إمكانيات النموذج كعلامة حيوية رقمية لتقييم خطر AF المستمر، مما يسهل الانتقال نحو المراقبة القلبية الشخصية. على الرغم من القيود، بما في ذلك خطأ مطلق متوسط مرتفع (MAE) يبلغ حوالي 10 سنوات وتصميم مقطعي يمنع الاستنتاجات السببية، تدعم النتائج فائدة فجوة عمر AI-ECG كأداة قيمة في الممارسة السريرية. جعل المؤلفون النموذج متاحاً للجمهور لتشجيع المزيد من البحث والتطبيق في هذا المجال.
DOI: https://doi.org/10.1038/s41746-026-02344-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41548032
Publication Date: 2026-01-17
Author(s): Seung Hyun Park et al.
Primary Topic: ECG Monitoring and Analysis
Overview
The research investigates the utility of an artificial intelligence (AI)-derived electrocardiographic (ECG) age as a potential marker for atrial fibrillation (AF) risk. The authors developed a model named PROPHECG-Age Single, which estimates ECG age from wearable single-lead ECGs. They assessed the relationship between the ECG-age gap (the difference between predicted and chronological age) and the presence and burden of AF in a real-world self-monitoring context.
To train the model, one million 12-lead ECGs were transformed into synthetic single-lead signals using a Cycle-Consistent Generative Adversarial Network, resulting in a residual network-based model. Validation across two independent cohorts, S-Patch and Memo Patch, yielded mean absolute errors of 10.01 and 11.88 years, respectively. The analysis revealed a significant association between the ECG-age gap and AF presence (odds ratio of 1.03 per 1-year gap), as well as a corresponding increase in AF burden, with each additional year in the gap linked to a 0.8 percentage point rise. These results suggest that AI-derived ECG age could serve as a valuable digital biomarker for proactive cardiovascular monitoring.
Introduction
The introduction of the research paper highlights the significant role of physiological aging in the development of cardiovascular diseases, particularly atrial fibrillation (AF), which is increasingly prevalent globally. Electrocardiography (ECG) serves as a vital non-invasive diagnostic tool that captures the heart’s electrical activity and has gained attention as a digital biomarker for assessing cardiovascular aging. Recent advancements in artificial intelligence (AI) have enabled the estimation of an individual’s “electrocardiographic age” (AI-ECG age) from standard 12-lead ECG recordings during sinus rhythm. Notably, the “AI-ECG age gap,” which reflects the difference between AI-predicted ECG age and chronological age, has been linked to deteriorating cardiovascular health, increased mortality, and a higher risk of AF, including post-intervention recurrence.
Despite these advancements, existing AI-ECG age models predominantly rely on episodic, hospital-based ECG recordings, which fail to capture the continuous electrophysiological variations that occur in daily life. This limitation restricts the temporal resolution and practical application of AI-derived age metrics. Recent innovations in wearable single-lead ECG technology present an opportunity for continuous cardiac monitoring outside clinical environments. However, the development of robust AI models for these wearables has been hindered by the scarcity of large-scale, high-quality single-lead ECG datasets. To address this challenge, the authors propose the PROPHECG-Age initiative, aiming to enhance the understanding and application of continuous cardiac aging metrics.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables that illustrate the outcomes of the study. The results are often compared against the initial hypotheses or previous studies to highlight significant differences or confirmations.
In this section, the authors may report specific metrics, such as means, standard deviations, or p-values, to substantiate their claims. Additionally, any observed trends or patterns in the data are discussed, providing insights into the implications of the findings. Overall, this section serves to convey the empirical evidence that supports the research objectives and conclusions drawn in subsequent sections.
Discussion
In this dual-registry cohort study, the authors developed and validated the PROPHECG-Age Single model, which estimates “electrocardiographic age” from single-lead ECG recordings. The study revealed that each 1-year increase in the AI-ECG age gap was associated with a 3% increase in the odds of prevalent atrial fibrillation (AF) and a 0.80 percentage-point increase in AF burden, indicating a significant relationship between the AI-ECG age gap and both the presence and severity of AF. Notably, the S-Patch cohort exhibited a higher prevalence of AF (81%) compared to the Memo Patch cohort (5%), alongside other clinical differences such as age and comorbidities.
The model demonstrated robust performance in generating high-fidelity ECG signals and showed that the AI-ECG age gap correlates positively with AF burden. The study also highlighted the model’s potential as a digital biomarker for continuous AF risk assessment, facilitating a shift towards personalized cardiovascular monitoring. Despite limitations, including a high mean absolute error (MAE) of approximately 10 years and a cross-sectional design that precludes causal inference, the findings support the utility of the AI-ECG age gap as a valuable tool in clinical practice. The authors have made the model publicly available to encourage further research and application in the field.