引领科技前沿 · 服务国家战略北京前沿科学技术研究院
北京前沿科学技术研究院 BEIJING INSTITUTE OF FRONTIER SCIENCE

人工智能发现可预测猝死的隐藏心脏信号

2026-11-18 07:00:06 前沿信息 阅读

科学家在常规心脏扫描中发现了一项隐匿的预警信号,可在突发心源性猝死发生前进行预测。这项基于人工智能的发现优于常规筛查方法,有望揭示数千名面临致死性心脏功能障碍风险的患者,而这些患者此前可能被医生漏诊。

目前,加州大学伯克利分校的研究人员在常规心脏扫描中发现了一个此前被忽视的预警信号,这可能有助于在致命事件发生前更容易地识别出高危人群。

这项发现是利用在瑞典采集的超过44万份心电图(ECG或EKG)数据训练的人工智能得出的。通过将这些扫描中记录的电模式与死亡证明中的信息进行比对,研究人员训练了一个人工智能系统,使其能够识别健康个体、已知心脏风险患者以及最终死于心源性猝死人群之间的细微差异。

随后,研究团队利用来自美国和台湾的数千份额外患者记录对该技术进行了评估,测试这些模式能否在不同人群中可靠地识别出高风险个体。

AI 检测出标准测试遗漏的隐匿心脏风险

研究结果表明,与医生通常依赖的常规测试相比,AI 能更有效地识别出脆弱的患者。目前的筛查方法主要关注心脏每次收缩泵出的血液量,该指标用于评估患者是否适合植入除颤器。

利用这些传统测量指标,医生可以识别出一个年心源性猝死率为 4.6% 的患者群体。然而,AI 系统识别出的一个群体年死亡率高达 7%,这表明其在区分面临严重危险的患者方面具有更强的能力。

 

重要的是,该算法还识别出了更广泛的高风险人群,其中包括数千名在现行医疗指南下通常不会引起担忧的人。如果使用常规方法,这些个体中的大多数会被归类为相对低风险人群。

另一个主要优势是,该 AI 系统适用于普通的心电图图像,这些图像在世界各地的医院和医疗中心已是常规采集项目。这意味着该技术有望在无需全新类型医疗测试的情况下改善筛查效果。

这项发表在《自然》(Nature)杂志上的发现,最终可能帮助医生就谁应该接受植入式除颤器做出更明智的决策。它们还提出了一个引人入胜的科学问题:心脏内部发生了何种变化,从而产生了 AI 学会识别的这些电模式。

“医疗决策非常艰难,我认为这就是 AI 让我感到兴奋的原因,”加州大学伯克利分校公共卫生学院副教授、该研究的主要作者 Ziad Obermeyer 说道,“我们不仅能做出更好的决策,还能开始了解这些患者在心脏停跳之前究竟发生了什么。”

为何心源性猝死难以预测

心源性猝死不同于心脏病发作。心脏病发作是指流向心脏某部分的血流被阻断或严重受限。相比之下,心源性猝死源于协调心跳的电信号衰竭。

 

立即进行心肺复苏(CPR)并使用自动体外除颤器进行电击,有时可以恢复心脏节律。然而,在医院外发生心源性猝死的人中,约有 90% 在几分钟内死亡,这使得早期识别高危人群尤为重要。

对于 Obermeyer 这位将人工智能、医学和卫生政策研究相结合的急诊科医生来说,心源性猝死仍然是医学上最令人沮丧的未解难题之一。

由于受害者往往在没有预警的情况下死亡,研究人员观察心脏在停止前瞬间内部情况的机会有限。尸检可能发现血管阻塞、组织硬化或其他结构异常,但无法完全揭示心脏在死亡前的时刻是如何运作的。

“让这个问题非常悲惨,但也非常适合 AI 解决的一点是,我们拥有针对这个问题的治愈方法,”Obermeyer 说,“如果你知道自己是那个即将猝死的人,你会去看心脏病专家并植入除颤器。问题在于,医生无法在为时已晚之前弄清楚谁需要它。”

当前心脏风险筛查的问题

医生目前非常依赖一项测量指标,即心脏每次搏动泵出血液的效率。心脏泵血能力低于特定阈值的患者可能被视为植入式心律转复除颤器的候选人,该装置能在出现危险心律时释放电击。

但获取这一测量值通常需要进行更广泛的医疗评估。许多最终经历心源性猝死的人从未接受过此类测试,因为他们没有明显的理由怀疑自己处于危险之中。

这种方法对于被识别为高风险的患者也存在局限性。在这些患者中,约三分之二的植入式除颤器从未需要释放电击。结果,许多人为了可能永远不会发生的潜在致命紧急情况,接受了昂贵且具有侵入性的手术。

与此同时,每年有数千名未被识别为高风险的人意外死亡。

“如果在这些人中有一部分人,如果我们能及时知道,本可以阻止这些死亡,”Obermeyer 说,“许多人因心源性猝死而丧生,如果我们拥有更好的 AI 工具来发现这些问题,这些生命本是可以挽救的。”

研究人员希望,识别出更准确的预警信号可以帮助医生将预防性治疗导向最可能受益的患者。

研究人员如何训练 AI 识别致命心脏模式

开发该算法需要来自世界不同地区的三个独立医疗数据集。

研究人员首先使用了瑞典统一医疗系统六年间的心电图记录。通过将这些扫描结果与死亡证明相关联,他们可以检查后来死于心源性猝死的患者的电模式,并将其与其他患者的模式进行比较。

AI 学会了识别记录中似乎与风险增加相关的波峰、波群及其他特征的组合。一旦系统训练完成,团队便用另外两个数据集对其进行测试:来自圣地亚哥医院系统的两年匿名心电图记录,以及来自台北的另一组患者数据。

这种国际性测试帮助研究人员评估了该算法的预测能力是否超出了用于开发它的瑞典人群范围。

“好的 AI 始于好的数据,”Obermeyer 说,他也是 UCSF-UC Berkeley 计算精准健康联合项目的成员。“不幸的是,像我们在这项研究中使用的数据极其难以获取。这也是目前临床 AI 应用如此之少的一个重要原因。”

获取和整理这些信息本身就是一项巨大的工程。据 Obermeyer 介绍,组装这些数据集大约耗时 10 年,并涉及他协助建立的两个组织——Dandelion Health 和 Nightingale Open Science 的贡献。这两个组织都致力于通过更好地获取数据和人工智能来推动医学研究。

“这是在伯克利的一大幸事,”Obermeyer 说,“你可以追求这些进展缓慢的项目,然后——希望——当它们冲过终点线时会有巨大的回报。”

从隐匿心脏信号到挽救生命的治疗

研究人员已经开始探索该系统如何应用于实际的医疗环境。

Obermeyer 正与瑞典、台湾和美国的医疗系统合作,将该算法引入医院的心电图数据库。目标是检查现有的心脏扫描是否存在高风险迹象,并识别出可能受益于额外监测的患者。

在提议的方法下,医生会联系心电图评估为高风险的患者,并为他们提供佩戴贴片的机会,该贴片可持续记录心脏的电活动。

这些更长时间的记录可以为 AI 检测到的预警信号背后的生物过程提供有价值的线索。了解这些过程可以帮助研究人员解释为什么某些心脏更容易突然发生致命的电紊乱。

对于部分患者,这些额外信息最终可能支持植入除颤器的建议,从而预防突发且原本意外的死亡。

Obermeyer 还创建了一个网站,有兴趣了解自身风险的人可以提供基本个人信息和电子邮件地址。当该技术更广泛普及后,研究团队可以就心电图分析事宜与他们联系。

AI 能否揭示人类心脏的新奥秘?

除了具有改善心源性猝死预防的潜力外,这一发现还凸显了人工智能如何帮助科学家研究那些常规方法难以攻克的医学谜题。

该算法不仅识别出了可能需要治疗的患者,还揭示了研究人员尚未完全理解的心脏活动模式。研究这些信号可能为导致心源性猝死的电紊乱提供新的见解,并可能揭示额外的预防机会。

Obermeyer 认为,这种发现先前未被识别的生物模式的能力,可能成为 AI 对医学最重要的贡献之一,在帮助医生做出更好决策的同时,为研究开辟新的方向。

“这些工具还将催生一种新的科学研究方式,”Obermeyer 说,“思考这一切如何开始发生是一件很有趣的事。”

信息来源

Story Source: Materials provided by University of California - Berkeley . Note: Content may be edited for style and length.

Journal Reference : Ziad Obermeyer, Alexander Schubert, James Ross, Sendhil Mullainathan, Markus Lingman. An ECG biomarker for sudden cardiac death discovered with deep learning . Nature , 2026; 655 (8121): 210 DOI: 10.1038/s41586-026-10674-6

微信扫码分享

微信扫一扫,分享本文