Development of AI for age prediction using ECG and the search for validity of AI-predicted ECG-age as a biomarker of atrial fibrillation risk

Abstract

Background: Applying artificial intelligence (AI) algorithms to 12-lead electrocardiograms (ECGs) to predict age is emerging as a promising method. In this study, I investigated whether the difference between predicted age from ECG waveform data and actual age, referred to as ECG-age gap or ECG-aging, is associated with the risk of incident atrial fibrillation (AF), a representative cardiac condition related to aging. Methods: I developed an ECG-age prediction model using a large dataset (1,533,042 ECGs from 689,639 individuals) and validated it using five independent multinational datasets (637,177 ECGs from 230,838 individuals). ECG-age gap was calculated in three cohorts from Korea and the UK, with each cohort followed for 4.14±4.27, 6.08±3.81, and 2.99±1.56 years, comprising 111,483, 37,517, and 40,973 participants, respectively. Participants were classified into two groups based on ECG-age gap: Normal group (ECG-age gap <+7 years) and ECG-aging group (ECG-age gap ≥+7 years). The ability of ECG-aging to predict the risk of new-onset AF was evaluated using Cox proportional hazards models. Results: The mean ECG-age and ECG-age gap in the three cohorts were 51.9±16.2 (0.0±6.8), 47.4±12.5 (-0.1±6.0), and 68.4±7.8 (4.7±8.7) years, respectively. The ECG-aging group had an increased risk of new-onset atrial fibrillation compared to the Normal group in each cohort, with hazard ratios of 2.50 (95% confidence interval [CI], 2.24–2.78), 1.89 (1.46–2.43), and 1.90 (1.55–2.33), respectively. The risk of incident atrial fibrillation increased with increasing ECG-age gap. Conclusion: AI-derived ECG-aging was associated with an increased risk of incident atrial fibrillation, indicating its potential as a risk biomarker for AF in primary prevention.

배경: 인공지능 알고리즘을 12 리드 심전도(ECG)에 적용하여 나이를 예측하는 방법이 유망하게 제시되고 있다. 본 연구에서는 심전도 파형 데이터로부터 예측된 나이와 실제 나이 간의 차이를 심전도-나이 차이(ECG-age gap) 또는 심전도-노화(ECGaging)로 지칭하고, 이것이 노화 관련 대표 심장질환인 심방세동 발병 위험과 연관성이 있는지 조사하였다. 방법: 대규모 데이터셋(689,639 명의 1,533,042 심전도)를 활용하여 심전도-나이 예측 모델을 개발하고, 다섯 개의 독립적인 다국적 데이터셋(230,838 명의 637,177 심전도)을 사용하여 검증하였다. 심전도-나이 차이는 한국과 영국의 세 개 코호트에서 계산되었으며, 이들은 각각 4.14±4.27, 6.08±3.81 및 2.99±1.56 년간 추적되었으며 참여자는 각각 111,483, 37,517 및 40,973 명이었다. 심전도-나이 차이를 기반으로 참여자들을 두 그룹으로 분류하였다: 정상 그룹 (심전도-나이 차이<+7 년) 및 심전도노화 그룹 (심전도-나이 차이≥+7 년). 콕스 비례위험 모델을 사용하여 심전도 노화와 신규 심방세동 발병 위험의 연관성을 평가하였다. 결과: 세 개 코호트에서 평균 심전도-나이와 평균 심전도-나이 차이는 각각 51.9±16.2 (0.0±6.8), 47.4±12.5 (-0.1±6.0) 및 68.4±7.8 (4.7±8.7) 년이었다. 심전도-노화 그룹은 각각의 코호트에서 정상 그룹과 비교하여 신규 심방세동 발병 위험의 증가와 관련이 있었으며, 각각의 코호트에서 위험비는 2.50 (신뢰구간 95%, 2.24–2.78), 1.89 (1.46–2.43) 및 1.90 (1.55–2.33) 이었다. 심전도-나이 차이가 증가함에 따라 신규 심방세동 발병 위험이 증가하였다. 결론: 인공지능에서 파생된 심전도-노화는 신규 심방세동 발병 위험과 관련이 있었으며, 이는 일차예방에서 심방세동에 대한 위험 바이오마커로의 잠재적 가능성을 나타낸다.