心电图中的隐匿电信号，有望预测心源性猝死

心源性猝死起病隐匿、进展迅猛，是心血管领域最为凶险的急症。为清晰认识其疾病负担，首先需要明确它在人群中的发生水平与转归特点：我国心源性猝死年发病率为41.84/10万，每年新发约54.4万例，绝大多数发病发生于院外；院外心脏骤停的抢救成功率不足1%，若未能在黄金4～6分钟内及时开展心肺复苏与电除颤，将迅速发生不可逆脑损伤，病死率极高。

心源性猝死，是心脏电系统突发异常、诱发恶性心律失常，令心脏无法有效泵血的急症。它可毫无征兆地发作，哪怕是外表看起来健康的人；若得不到紧急救治，常在数分钟内致死。

研究人员发现了一种此前未被识别的心脏电信号，有望在心源性猝死发生前实现预警。

心源性猝死发病十分突然，一些看上去健康、无心脏病史的人也会因此离世。尽管已有可救命的干预手段，但数十年来，医生一直难以甄别高危人群。如今研究者发现，这类致命事件的预警线索，可能就藏在一种临床最常用的检查里。

加州大学伯克利分校的科研团队开发了一套人工智能系统，可从常规心电图（EKG）中捕捉微弱电信号模式，这类模式和心源性猝死风险升高相关。这项研究发表于《自然》；该AI模型表现优于传统临床筛查方法，意味着医生有望在患者心脏骤停前识别出更多高危人群。

AI 在心电记录中捕捉隐匿预警信号

为搭建这套系统，研究者分析了瑞典医疗系统6年间收集的逾44万份心电图。研究人员将心电记录与死亡证明数据关联，以此训练AI模型，识别和后续心源性猝死相关的电活动模式。训练数据集包含健康人群、已知心脏病患者，以及后续因心脏原因死亡者的心电资料。

随后，团队使用来自圣地亚哥、中国台北的独立患者数据集验证算法，检验该模型在不同人群中预测结果是否稳定可靠。模型识别出传统临床评估常常忽略的心电波形细微变化。虽然这类波形模式与心源性猝死风险升高存在关联，但背后的生理机制目前尚不明确。

 a， aVL 细节（摘自图中）4）。框内显示了从R波峰值到QRS复合体末端的区间，在此期间计算了定量特征（低风险和高风险型态的区间略有差异，但为清晰起见只显示一个区间）。b，对低风险（紫色）和高风险（橙色）型态进行绝对第一差。从R峰开始，计算aVL振幅的绝对变化，并绘制运行的累计总量直到QRS结束;所有求和除以总区间长度，使得最终点（用叉号表示）显示了实际特征值（即区间内的平均绝对差）。c，如b，表示aVL振幅的第二个差。

更精准识别高危患者的新方案

临床上评估心源性猝死风险，常依靠测量心脏每次收缩的泵血量，即射血分数。该指标用来判断患者是否适合植入式心律转复除颤器；这种装置可以监测恶性心律，必要时释放电击施救。

这套AI系统筛出的一组患者，心源性猝死年发生率为7%；作为对照，依靠传统指标判定的高危患者，年发生率为4.6%。很多被AI标记为高危的人，按现有临床标准并不会被划入高危范围。这提示，常规采集的心电图，能够发现那些原本会被漏诊的高危患者。

该研究第一作者、加州大学伯克利分校公共卫生学院副教授齐亚德·奥伯迈耶（Ziad Obermeyer）表示：“临床医疗决策本就十分艰难，这也是AI让我感到振奋的地方。借助它，我们不仅能做出更好的临床判断，还有望在患者发生心脏骤停前，弄清体内究竟发生了什么。”

心源性猝死为何难以预测

美国每年有超30万人死于心脏骤停。心梗是冠脉血管堵塞、心肌供血中断；与之不同，心脏骤停是协调心跳的心电信号突然失灵，心脏失去有效泵血能力，不及时抢救可在数分钟内死亡。

尽管心肺复苏、除颤有时能恢复循环，但院外发生的心脏骤停，大约90%的患者无法存活。受害者既有患有心血管病的老年人，也包括看上去健康、没有心脏病史的年轻运动员。

植入式除颤器可以挽救一部分患者的生命，但很难判断谁真正需要植入。大约三分之二被判定为高危而植入该设备的患者，终身都没有触发过电击；与此同时，很多最终发生心源性猝死的人，从未接受过能够发现隐患的专项心脏检查。

奥伯迈耶说：“对于其中一部分患者，如果我们能提早识别风险，这些死亡本是可以预防的。”

从AI预测走向预防性诊疗

奥伯迈耶及其合作者正在联合瑞典、中国台湾地区以及美国的医疗机构，将该算法应用于医院心电图数据库。被AI判定为高危的患者，会由临床医生跟进，并可佩戴可穿戴监测设备，持续记录心脏电活动。

连续心电记录一方面帮助研究者探明，是哪些生理变化催生了AI识别到的特征波形；另一方面也可为是否植入除颤器提供更多参考依据。但仍需要进一步研究证实，依靠该算法指导临床干预，是否真的能够降低死亡风险。

搭建这套AI系统，花费近十年时间收集所需医疗数据。奥伯迈耶认为，获取大规模、高质量的详细医疗数据集，依然是临床AI研发最大瓶颈之一。

他提到：“优质AI始于优质数据。遗憾的是，本研究用到这类数据极难获取，这也是目前落地的临床AI产品不多的重要原因。”

研究者希望，通过研究模型识别出的异常电信号，揭开心脏骤停前心脏内部的变化规律。相关发现未来有望同时提升风险预测能力，加深人们对心源性猝死底层生物学机制的理解。

奥伯迈耶还上线了一个网站。有意愿评估自身猝死风险的人，可以填写基础信息并留下邮箱；待这套AI工具正式推广后，研究团队可能联系参与者，提供心电图分析服务。

Reference: “An ECG biomarker for sudden cardiac death discovered with deep learning” by Ziad Obermeyer, Alexander Schubert, James Ross, Sendhil Mullainathan and Markus Lingman, 24 June 2026, Nature.

仅美国每年就有数十万人因心律失常猝死。植入式除颤器虽能干预恶性心律失常，但需依靠风险筛选确定适宜植入人群。当前临床主要依靠左心室射血分数（LVEF）进行风险评估，然而该指标假阴性、假阳性问题突出，且其他高端检查不适用于大规模筛查；传统心电图成本低廉，却缺乏足够有效的预测标志物。基于心电图的深度学习模型有潜力实现低成本、自动化的猝死风险预测，但受限于高质量关联数据集而难以落地。本研究利用瑞典全人群心电、死亡证明及电子病历数据训练深度学习模型，在瑞典内部验证集以及美国、中国台湾外部数据集上评价模型预测心源性猝死的效能，并与LVEF对比；同时借助生成模型合成高危心电图，可视化模型识别的特征。

支持单位：