DRPP科研工作台上新科研工具，从文献检索到参考文献格式调整：去使用科研工作台>>

2026 年 08 月 25 日，《Circulation》(IF=41.3) 发表了一篇基于电子健康记录 (EHRs) 的房颤 (AF) 风险指导筛查研究，该研究使用来自 EHRs 的数据，评估了机器学习模型 FIND-AF 2.0 的筛查效能。研究发现：基于电子健康记录 (EHRs) 的机器学习模型 FIND-AF 2.0 可识别卒中风险升高患者中的 AF 诊断高风险亚群，并能实现可扩展的、EHR 驱动的风险指导 AF 筛查。

原文链接：https://pubmed.ncbi.nlm.nih.gov/42517218/

研究背景

基于心房颤动 (AF) 风险进行筛查可能更有效。既往研究尚未充分验证利用电子健康记录 (EHRs) 指导筛查的模型。本研究旨在开发、外部验证并前瞻性测试一种机器学习预测模型以指导 AF 筛查。

研究方法

我们基于英国（n=2,081,139）、日本（n=7,795,244）、以色列（n=2,166,795）、加拿大（n=627,919）和中国（n=149,145）的电子健康记录（EHR），利用年龄、性别及10种合并症构建并验证了一个用于预测6个月内新发心房颤动（房颤）的随机森林模型，即 FIND-AF 2.0。

在此基础上，我们开展了一项前瞻性研究：纳入年龄≥30岁、无房颤且 CHA₂DS₂-VASc 评分男性≥2分、女性≥3分的受试者，按 FIND-AF 2.0 评分将其分为高危组与低危组，使用手持式心电记录仪连续3周、每天记录4次心电图，主要结局为新诊断房颤。

此外，我们利用 FinACAF（Finnish Anticoagulation in Atrial Fibrillation，芬兰房颤抗凝治疗）房颤患者注册数据库（n=229,565），评估了 FIND-AF 2.0 高危患者中未接受抗凝治疗的房颤相关卒中风险。

研究结果

FIND-AF 2.0 适用于所有电子健康记录，并显示出良好至优异的预测性能（英国：受试者工作特征曲线下面积 [AUROC]，0.819 [95% CI，0.809–0.829]；以色列：AUROC，0.835 [95% CI，0.828–0.842]；日本：AUROC，0.751 [95% CI，0.745–0.757]；加拿大：AUROC，0.747 [95% CI，0.741–0.753]；中国：AUROC，0.753 [95% CI，0.725–0.771]）。在所有队列中，男性和女性的 AUROC 均>0.7，且预测性能优于 CHA₂DS₂-VASc 和 C2HEST 评分（冠心病或慢性阻塞性肺疾病 [各计1分]；高血压 [1分]；老年 [年龄≥75岁，2分]；收缩性心力衰竭 [2分]；甲状腺疾病 [甲状腺功能亢进，1分]）。

在前瞻性研究中，来自15个中心的1923名受试者（平均年龄 70.2 [SD 9.4] 岁）平均完成 74.8（SD，19.4）次心电图记录。结果显示，低 FIND-AF 2.0 风险组902例中有5例（0.6%）诊断为房颤，高 FIND-AF 2.0 风险组1021例中有46例（4.5%）诊断为房颤（比值比，8.46 [95% CI，3.35–21.40]，P<0.001）。高 FIND-AF 2.0 风险组检出的房颤病例中，房颤负荷中位数为33.4%（四分位距，5.1%–91.6%），其中96.1% 启动了口服抗凝药物治疗。在 FinACAF 注册研究中，高 FIND-AF 2.0 风险、确诊房颤且未接受抗凝治疗的患者，其缺血性卒中发生率为每100患者-年6.0起事件。

研究结论

基于电子健康记录 (EHRs) 的机器学习模型 FIND-AF 2.0 可识别卒中风险升高患者中的 AF 诊断高风险亚群，并能实现可扩展的、EHR 驱动的风险指导 AF 筛查。

参考文献：Nadarajah R, Wu J, Wahab A, Reynolds C, Haris M, Joseph T, et al. Risk-Guided Screening for Atrial Fibrillation Using Electronic Health Records.. Circulation. 2026 Aug 25;154(8):707-717. doi: 10.1161/CIRCULATIONAHA.126.079391

DRPP科研工作台上新科研工具，从文献检索到参考文献格式调整：去使用科研工作台>>