生理衰老是心血管疾病的核心驱动，但传统心电图检测难以捕捉日常波动。最新研究突破性地开发了AI模型PROPHECG-Age Single，利用可穿戴单导联设备即可估算心脏年龄，并首次证明了其与房颤风险和负担的定量关联。这一进展为低成本、大规模的心脏健康持续监测提供了全新范式，将房颤管理推向个性化预警时代。
智能速览
PROPHECG-Age Single模型能通过单导联可穿戴设备精准估算心脏年龄。
研究创新地采用CycleGAN生成百万级合成数据，解决了AI训练难题。
心脏年龄差值（预测减实际）与房颤风险独立相关，每增1岁风险约升3%。
该年龄差值同样与房颤负担（严重程度）呈显著正相关。
模型在长达14天的监测中展现出优异的个体稳定性与可重复性。
精华内容
这项研究的核心价值在于，它成功地将医院级的复杂AI模型，转化为可日常佩戴的简易设备上的实用工具，让持续监测心脏健康成为可能，并给出了具体的量化指标。
创新模型构建
为解决单导联设备标注数据稀缺的难题，研究团队采用了一种两步法。第一步，利用CycleGAN（循环一致性生成对抗网络）将医院100.8万份12导联ECG数据，转换为与可穿戴设备特征匹配的合成单导联信号。第二步，基于这些海量合成数据，训练了一个ResNet-1D深度学习模型，命名为PROPHECG-Age Single，用于进行心脏电生理年龄的回归预测。
预测准确性验证
模型在两个独立的真实世界可穿戴设备队列中进行了验证。在S-Patch队列（1502人）中，预测年龄与实际年龄的平均绝对误差（MAE）为10.01年。在Memo Patch队列（529人）中，MAE为11.88年。虽然误差因单导联信息损失而高于12导联模型，但表现稳健。对比显示，深度学习模型虽比线性模型误差稍高，但在年轻人群和整体校准上表现更优。
房颤风险关联
研究发现，AI心电图预测的年龄与实际年龄之间的差值（即“年龄差值”）是房颤风险的独立预测因子。在合并两个队列的Meta分析中，年龄差值每增加1岁，房颤的汇总风险比（OR）为1.03（95% CI 1.01-1.04）。这种关联具有特异性，主要针对房颤，而非其他心血管疾病，并且在从阵发性到持续性房颤的严重程度上呈现递增趋势。
量化房颤负担
该指标不仅能预测房颤是否存在，还能量化其严重程度。研究通过分数Logit回归分析发现，年龄差值与房颤负担（即房颤发生时间占总监测时间的比例）显著正相关。合并分析证实，年龄差值每增加1岁，房颤负担平均增加0.8个百分点。这表明“心脏年龄”超前越多，房颤可能越严重。
实用性与展望
为了评估该指标的稳定性，研究对214名非房颤参与者进行了连续7-14天的监测。结果显示，相邻时段的年龄差值高度可重复，皮尔逊相关系数高达0.90-0.98。研究也指出了当前局限，如单导联模型的误差仍较大、研究为横断面设计无法确定因果关系、样本人群主要为东亚族裔等，这些都是未来需要优化的方向。
PROPHECG-Age Single模型的问世，标志着可穿戴设备在心血管健康管理上迈出了关键一步。它不仅提供了一个直观、持续的房颤风险预警数字指标，也为未来结合多模态数据、预测预后乃至评估干预效果打开了大门。未来，我们能否通过生活方式干预有效“逆转”心脏年龄？
