值为 33.8%，这是由于射血分数阈值小于 30% (17)。另一项研究使用了来自 126,526 名患者的 12 导联心电图数据来开发 CNN，以识别仍处于窦性心律的心房颤动患者。当分析每个患者的多张心电图时，该算法能够识别心房颤动，AUC 为 0.90，灵敏度为 82.3%，特异性为 83.4% (18)。假设结构性心脏变化（例如肌细胞肥大、纤维化和扩张）通常先于心房颤动，而 CNN 能够在心电图中识别的正是这些结构性变化。然而，这项研究并非没有局限性；该神经网络是通过对心房颤动发病率较高的人群进行回顾性分类来训练的，因此可能存在过度拟合的风险，而没有心房颤动的患者组可能有未被发现的心房颤动，因此这些患者可能被错误标记，影响算法的准确性。尽管如此，该研究确实强调，可以使用一种低成本、可访问且非侵入性的测试来筛查可能患有心房颤动的患者，作为预防和诊断工具（18）。进一步的研究探索了从常规心电图检测结构性心脏变化的概念，包括使用人工智能检测左心室肥大