Circulation
基于电子健康记录的机器学习模型FIND-AF 2.0用于房颤风险分层筛查
小赛推荐：
该研究通过多国真实-world数据验证了机器学习模型在房颤筛查中的高预测效能，为心房颤动的精准预防策略提供了可扩展的临床工具，提示未来可在初级医疗系统中整合EHR驱动的风险分层路径。
文献概述
本文《Risk-Guided Screening for Atrial Fibrillation Using Electronic Health Records》，发表于《Circulation》杂志，系统探讨了如何利用电子健康记录（EHR）构建可扩展的房颤（AF）风险预测模型，并通过跨国队列验证和前瞻性干预研究评估其临床实用性。研究团队开发了FIND-AF 2.0模型，基于年龄、性别及10种共病，实现了对6个月内新发房颤的精准预测，并在多国人群中展现出优于传统评分的表现。研究进一步在15个临床中心开展前瞻性筛查，证实高风险个体中房颤检出率显著提升，且多数患者启动了口服抗凝治疗。最终通过芬兰登记队列分析，揭示高FIND-AF 2.0风险且未抗凝的房颤患者缺血性卒中风险高达6.0/100患者年，凸显了该模型的临床价值。背景知识
房颤（AF）是导致缺血性卒中的重要可干预病因，但常规诊疗中常被漏诊。当前筛查策略多基于年龄或CHA2DS2-VASc评分，虽具操作性，但缺乏个体化预测能力，导致筛查效率低下。现有模型如CHARGE-AF依赖血压、BMI等变量，但在真实-world EHR中数据缺失率高，限制了其广泛应用。此外，长时程预测窗口可能无法及时指导临床干预。因此，亟需一个基于常规EHR中易获取变量、具备高预测效能且可操作性强的风险分层工具。FIND-AF 2.0通过简化原始模型至12个可靠变量，解决了数据缺失问题，并通过机器学习提升预测精度，成为首个在5国超1300万人群中验证并前瞻性测试的EHR驱动房颤筛查模型，填补了从风险预测到临床实施的转化空白。
研究方法与核心实验
研究采用回顾性队列设计，在英国、日本、以色列、加拿大和中国的EHR数据库中开发并验证FIND-AF 2.0模型，纳入≥30岁无房颤病史个体，预测6个月内新发AF。模型使用随机森林算法，输入包括年龄、性别及10种共病（如糖尿病、心力衰竭、高血压等），通过10折交叉验证调优。在英国队列中，模型AUC达0.819，显著优于CHA2DS2-VASc和C2HEST评分。跨国验证显示AUC在0.747–0.835之间，且在所有性别亚组中均保持AUC>0.7，表明其泛化能力强。
随后开展前瞻性单臂干预研究，纳入1923名无房颤但CHA2DS2-VASc≥2（男）或≥3（女）的个体，按FIND-AF 2.0风险分层（≥0.0053为高风险），使用手持单导联ECG设备每日4次监测3周。结果显示，高风险组房颤检出率达4.5%，显著高于低风险组的0.6%（OR=8.46, P<0.001），PPV达4.5%，NPV为99.4%。此外，96.1%新诊断房颤患者启动了口服抗凝治疗，表明筛查结果具有临床可操作性。关键结论与观点
研究意义与展望
该研究为药物开发中的预防性干预提供了风险分层工具，未来可结合新型口服抗凝药开展针对性预防试验。在临床监测层面，EHR自动计算FIND-AF 2.0评分可实现无感筛查，提升基层医疗对房颤的识别能力。对于疾病建模，该模型为真实-world数据驱动的预测模型开发提供了范本，尤其适用于需平衡预测性能与数据可及性的场景。
结语
本研究确立了FIND-AF 2.0作为首个在多国EHR系统中广泛验证并前瞻性测试的房颤风险预测模型，其基于常规数据、高精度且可操作的特点，使其成为连接电子健康记录与精准筛查的桥梁。对于心房颤动照护体系，该模型有望改变当前“年龄或评分一刀切”的筛查模式，实现风险分层指导下的高效筛查，从而在社区层面提升房颤检出率，促进早期抗凝，降低卒中负担。未来需通过随机对照试验验证其在改善硬终点（如卒中、死亡）方面的临床效益，但本研究已为构建智能化、可扩展的房颤防控网络奠定了坚实基础。该成果不仅推动了心律失常管理的个体化，也为其他慢性病的数字健康干预提供了方法学范例。
