论文解读 | 台大医院团队：基于公开数据训练的可泛化AI-ECG预测TAVR术后结局

论文标题：Generalisable artificial intelligence ECG trained on public data for outcome prediction after transcatheter aortic valve replacement

通讯作者：Yu Tsao（曹昱）、Mao-Shin Lin（林茂欣）

第一作者：Yu-Chung Hsiao（台大医院新竹分院）

期刊：Heart (BMJ), 2026

类型：原创研究——Transformer架构AI-ECG模型，完全基于公开数据训练

训练数据：341,151份公开ECG（巴西SAO PAULO队列），含死亡率标签

验证队列：TAVR 439例 + SAVR 235例（台大医院单中心）

研究速览·Ai生图

结论先行

AI心电图的临床推广长期受困于训练数据不公开和跨人群泛化性不明确两大难题。台大医院团队联合中研院开发了一个完全基于公开ECG数据训练的Transformer架构AI-ECG模型，并在439例TAVR患者中外部验证：仅凭一份术前心电图，预测30天死亡的AUC达0.85，优于传统手术风险评分STS（AUC 0.75）和EuroSCORE II（AUC 0.81）。衍生的T-score风险分层可独立预测1年死亡（aOR 1.70）、MACE和肾脏不良事件，且在独立SAVR队列中表现一致（AUC 0.79/0.75）。这项研究的意义超越了TAVR本身——它提出了一种"通用到专用"的AI开发范式：用公开数据训练通用模型，然后零样本迁移到特定临床任务，无需各中心自建训练集。

研究背景

AI-ECG已能预测多种心血管结局，但大多数模型的训练数据不公开，导致三个核心问题：

1) 其他机构无法验证和复现；

2) 模型在训练人群之外的表现不明（泛化性存疑）；

3) 缺乏本地数据和算力的机构被排除在AI医疗红利之外。

TAVR领域尤其需要此类工具——现有风险评分（STS/EuroSCORE）对TAVR术后短期死亡的区分度有限（AUC 0.60-0.79），而TAVR专用的大型训练数据集又极为稀缺。

研究团队的策略是逆向思维：不用TAVR数据训练TAVR模型，而是在一个完全公开的大型普通人群ECG数据集上训练Transformer模型，让其学习"什么样的ECG波形意味着不良预后"，然后将这个通用表征直接应用到TAVR人群中。这种"通用到专用"的策略如果成功，意味着任何中心只需下载公开模型即可使用，无需本地训练。

研究方法

• 模型开发：基于Transformer自注意力架构在341,151份巴西公开ECG上训练，采用Variational Autoencoder（VAE）提供可解释性——将ECG分解为21个潜在特征。

• 衍生T-score用于风险分层（三等分：高/中/低危）。

• 外部验证于台大医院前瞻性TAVR队列（439例）和SAVR队列（235例）。

• 主要终点：30天和1年全因死亡；次要终点包括MACE（心源性死亡+心梗+卒中+心衰住院）和MAKE（eGFR下降超过30%或新透析）。

• 对比工具为STS评分和EuroSCORE II。

TAVR队列入排流程图

主要发现

TAVR队列：一份ECG胜过传统评分

TAVR队列中，仅凭一份术前心电图：30天死亡AUC 0.85（95% CI 0.78-0.92），AUPRC 0.13；1年死亡AUC 0.74（0.67-0.80），AUPRC 0.30。作为对比，同一队列中STS评分30天死亡AUC为0.75，EuroSCORE II为0.81——AI-ECG的区分度优于或至少不劣于传统风险评分。T-score独立预测1年死亡（aOR 1.70），且显著关联MACE和MAKE。T-score风险分层（三等分）可清晰区分三组人群的长期生存曲线。

SAVR队列：跨手术类型的泛化验证

SAVR验证队列（235例，中位年龄69岁）进一步验证了模型的泛化性：30天死亡AUC 0.79（0.67-0.90），1年死亡AUC 0.75（0.67-0.84）。这种跨手术类型（TAVR到SAVR）的一致性提示，模型捕捉到的是疾病严重度本身的心电图信号，而非TAVR特异性特征。通过VAE分解出的高风险ECG特征包括：心房颤动、QT间期延长、ST-T异常和低电压——这些均为已有文献支持的预后不良标志物，增强了模型的生物学可信度。

A-B. 30天和1年死亡ROC曲线（AUC 0.85/0.74）；C. T-score三分层的长期生存曲线；D. T-score预测1年死亡、MACE和MAKE的校正森林图

亮点与局限

值得关注的几个方面

1.验证"通用到专用"AI-ECG范式：仅用公开普通人群ECG训练，零样本迁移至TAVR/SAVR人群仍保持高区分度——这可能是打破AI医疗数据壁垒的关键路径。

2. 单一术前ECG即达到AUC 0.85（30天死亡），优于STS（0.75）和EuroSCORE II（0.81）——相比需要多项临床参数的传统评分，AI-ECG的简洁性极具临床吸引力。

3.模型和训练数据完全公开——其他机构可立即下载、复现、验证偏差，符合WHO数字健康战略中的透明性、可访问性、可复制性原则。

4.T-score可同时预测死亡、MACE和肾脏事件，且VAE解释性模块将高风险ECG特征（房颤、QT延长、ST-T异常、低电压）可视化——提供了可验证的机制解释。

作者也讨论的局限

1. TAVR和SAVR队列均为台湾单中心数据——需要更广泛的多中心、多种族外部验证。

2. Transformer架构对于ECG数据规模而言可能过于复杂——研究团队也提到针对ECG优化的轻量架构可能是更佳选择。

3. AUPRC较低（30天0.13，1年0.30）——事件率低导致的，实际阳性预测值有限，高灵敏度设定下作为排除低危人群的筛查工具更合适。

4. 研究为回顾性分析前瞻性收集的数据——选择偏倚和信息偏倚不能完全排除。

参考文献

Hsiao YC, Hung KH, Yeh CF, Chen YH, Ko TY, Lai CF, Lin LC, Chang WT, Tsao Y, Lin MS, Kao HL, Wu CC. Generalisable artificial intelligence ECG trained on public data for outcome prediction after transcatheter aortic valve replacement. Heart. 2026. doi:10.1136/heartjnl-2025-327462