使用可解释且可扩展的预测驱动框架从心电图检测低左心室射血分数

低左心室射血分数 (LEF) 通常在进展为有症状的心力衰竭之前未被发现，这强调了可扩展筛查策略的必要性。尽管人工智能心电图 (AI-ECG) 已显示出希望，但现有方法仅依赖于可解释性有限的端到端黑盒模型，或依赖于性能次优的商业心电图测量算法的表格系统。我们引入了基于心电图的预测器驱动的 LEF (ECGPD-LEF)，这是一个结构化框架，它将基础模型派生的诊断概率与可解释的模型集成在一起，用于从心电图检测 LEF。在包含 72,475 个心电图-超声心动图对的基准 EchoNext 数据集上进行训练，并在预定义的独立内部 (n=5,442) 和外部 (n=16,017) 队列中进行评估，我们的框架实现了对中度 LEF 的稳健区分（内部 AUROC 88.4%，F1 64.5%；外部 AUROC 86.8%，F1 53.6%），始终优于官方数据提供端到端基线以及跨人口和临床亚组的基准。可解释性分析确定了高影响力的预测因素，包括正常心电图、不完全左束支传导阻滞和前外侧导联的心内膜下损伤，从而推动 LEF 风险评估。值得注意的是，这些预测因子独立地实现了零样本推理，无需特定任务的再训练（内部 AUROC 75.3-81.0%；外部 AUROC 71.6-78.6%），表明心室功能障碍本质上是在结构化诊断概率表示中编码的。该框架将预测性能与机械透明度相协调，通过额外的预测器以及与现有 AI-ECG 系统的无缝集成来支持可扩展的增强。