用人工智能发现预测猝死的心电图新指标

本文介绍了一项利用深度学习技术改进心脏猝死预测的重要研究。心脏猝死每年在全球造成数十万人死亡，尽管自1980年代起已有植入式除颤器（ICD）可用，但其使用受限于精准筛选高危患者——因为手术有风险、费用高，必须确保受益大于代价。目前临床唯一广泛应用的预测指标是心脏超声测得的左心室射血分数（LVEF）：LVEF降低（≤35%）者被认为高危，适合植入除颤器。但该方法存在严重缺陷：一方面，约八成猝死患者生前未测LVEF，而测过者中仅少数LVEF偏低，导致大量真实高危者被漏掉（假阴性）；另一方面，因LVEF偏低而植入除颤器的患者中，约三分之二终身未遭遇需除颤的恶性心律失常，白白承受手术风险与费用（假阳性）。学界早已意识到LVEF的局限，但其他更精准的检查（如心脏核磁、长期动态心电监测等）成本高、操作复杂或有创，难以用于大规模人群筛查。心电图（ECG）则完全不同：它便宜、普及、标准化程度高，但过去几十年始终未能从中挖掘出足够可靠的预测信号——人工解读主观性强、耗时费力，且易忽略细微但关键的波形特征。

本研究另辟蹊径，将深度学习直接应用于海量心电图数据。研究人员整合了瑞典某地区2010–2016年间全部44万余份心电图，并与死亡证明及电子病历精确关联，构建了迄今最大规模的“心电图-死亡结局”队列。训练出的深度学习模型不仅能准确预测一年内心脏猝死风险（AUC达0.872，远超传统心血管风险评分），更重要的是，它识别出一个此前未被描述过的、肉眼即可辨识的心电图新特征：在aVL导联上，高危患者的QRS波终末部分R波降支变钝、拖尾（slurred downstroke），取代了正常人清晰锐利的S波。这一形态变化与左前分支传导阻滞（LAFB）相关的电轴偏移不同，是独立且稳健的预测因子。模型将人群中的2.2%标记为“高危组”，其年猝死率达7.0%，显著高于LVEF降低组（1.9%人群，年猝死率4.6%）；尤为关键的是，该高危组中86.1%的患者LVEF完全正常，说明他们被现有标准彻底遗漏。进一步分析显示，已植入除颤器的高危患者，实际死亡率比模型预测值降低了54.4%，有力佐证了干预的有效性。

为验证模型普适性，研究团队将其“零样本”（zero-shot）应用于美国和台湾的独立数据集：在美国医疗系统中，模型成功预测了室性心动过速/心室颤动（VF/VT）的发生；在台湾医院登记数据中，则精准区分了未来发生心源性心脏骤停的患者与对照组。这些跨地域、跨医疗体系的验证表明，该心电图标志物具有广泛适用性。研究还通过生成式AI模型，直观“复现”了从低危到高危心电图的渐进式形态演变过程，帮助科学家理解其背后的电生理机制——研究推测，这可能与心肌弥漫性纤维化有关：胶原组织像“绝缘屏障”一样干扰电信号传导，导致心室除极向量逐渐紊乱，最终诱发致命性心律失常。这一发现不仅为临床提供了更优的无创筛查工具，也为深入探索猝死机制开辟了新路径：未来可通过针对性影像学检查（如心脏核磁）、基因检测或电生理检查，对高危人群进行精细化评估与干预。