基于数十万份心电图训练的AI模型，更准确地预测心脏性猝死风险

# 借助AI，研究人员发现检测心脏骤停风险的新方法 - 伯克利新闻 来源：http://news.berkeley.edu/2026/06/24/with-ai-researchers-discover-new-way-to-detect-sudden-cardiac-death-risk/ *加州大学伯克利分校领导的一个项目训练AI系统分析了数十万份心电图。其风险预测结果远优于现有方法，为大规模拯救生命铺平了道路。* 一张心电图线条的特写照片，线条出现一个尖峰，随后是波浪形曲线，旁边显示心率数字。 通过使用定制AI工具，加州大学伯克利分校的研究人员发现了一个以前未被识别的心电图信号，可以更好地在患者心脏停跳前发现高风险患者。Joshua Chehov via Unsplash 2026年6月24日 **关键要点** - 在美国，每年有超过30万人死于心脏骤停。 - 一种基于心脏扫描训练的新型AI系统可以更好地识别出有风险的人群。 - 它还可能发现了关于心脏生理学的新知识。 - 研究结果（https://www.nature.com/articles/s41586-026-10674-6）于今天（6月24日）发表在《自然》期刊上。 在美国，每年有超过30万人（https://www.ahajournals.org/doi/10.1161/JAHA.124.040340）死于心脏骤停，这种疾病是由于心脏电系统在没有预警的情况下发生故障所致。这种医疗急症既可能危及高风险老年人，也可能夺走没有心脏病史的年轻运动员的生命。虽然通过除颤器电击心脏可以挽救生命，但判断哪些人真正需要植入除颤器仍然是一场高风险猜谜游戏。 借助一种可能改变这场游戏规则的新工具，加州大学伯克利分校的研究人员发现了一个以前未被识别的心电图信号，可以更好地在患者心脏停跳前发现高风险患者。 研究人员利用来自瑞典的超过44万份心电图以及死亡证明信息，训练了一个人工智能模型来分析心脏电流产生的尖峰和波形。他们向模型输入了健康人、高风险患者以及后来死于心脏骤停者的扫描结果，直到模型识别出那些后来发生心脏猝死的人所特有的波形模式。随后多年，研究人员使用来自美国和台湾的数千份其他患者档案对模型进行了测试。 Ziad Obermeyer图片Ziad Obermeyer他们发现，该算法对患者心电图的解读优于标准的临床测试——后者测量心脏每次跳动泵出的血量。这些测试识别出的高风险组，每年心脏骤停死亡率为4.6%。而AI系统找出高风险组的年死亡率为7%——这意味着每年患者数量的差异数以千计，而其中绝大多数患者按现行标准看起来是低风险的。 换句话说，该模型标记出了更大的高风险人群，并能更好地预测谁会遭受心脏猝死——而这一切都基于世界各地医疗中心广泛可用的图像。 这项研究今天（6月24日）发表在著名期刊《自然》（https://www.nature.com/articles/s41586-026-10674-6）上，可能引导医生更准确地识别哪些人需要植入体内除颤器。它也为关于生理机制的新研究打开了大门——AI工具聚焦的这种机制似乎与心脏突然致命性放电有关。 "医疗决策真的很难，我认为这就是为什么AI对我来说如此令人兴奋，"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。"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前到底发生了什么。" 与心肌梗死源于心脏供血受阻不同，心脏骤停发生在心脏电流突然停止放电时。心肺复苏和自动体外除颤器的电击可以挽救生命，但大约90%在医院外发生心脏骤停的人会在几分钟内死亡。 Obermeyer将心脏猝死列在最棘手的医学谜团前列。因为人们死得太突然，很难知道心脏停跳前内部发生了什么。尸检可以揭示一些结构细节，如血管堵塞或组织硬化。但死亡前的实际功能状态对Obermeyer来说仍然是一个黑箱，他是一位急诊医生，从事机器学习、医学和卫生政策交叉领域的研究。 "这个问题之所以非常悲剧，但也非常适合AI，是因为我们有治愈这个问题的方法，" Obermeyer说。"如果你知道自己是将要猝死的人之一，你会去找心脏病医生，植入除颤器。问题是医生无法在太晚之前判断出谁需要。" 最常用的识别高风险患者的方法是测量心脏每次收缩泵出的血量。如果该比率低于某个阈值，患者可能就符合植入除颤器的条件。 这种测试需要患者接受更复杂的医学评估，而绝大多数患者从未意识到自己需要这样做。此外，那些被视为高风险的患者中，有三分之二植入的除颤器实际上从未需要放电。这意味着患者接受了侵入性、昂贵的手术，来预防一个可能永远也不会发生的紧急情况。 与此同时，每年有数千名不知道自己处于风险的人死亡。 "在这些人的一部分中，如果我们及早知道，本可以预防这些死亡，" Obermeyer说。"很多人因心脏猝死而丧生，这些死亡本可预防，只要我们拥有更好的AI工具来发现这些问题。" 为了构建和测试AI模型，Obermeyer和他的团队使用了三个不同的数据源。 首先，Obermeyer的团队使用瑞典统一医疗系统六年的扫描数据来训练模型，发现可能具有意义的波形模式，并与死亡证书进行匹配。然后，他们在圣地亚哥一家医院系统的两年去标识化心电图以及台湾的独立数据集上验证了算法。 "好的AI始于好的数据，" Obermeyer说，他也是UCSF-伯克利计算精准健康（https://computationalhealth.berkeley.edu/）联合项目的成员。"不幸的是，我们在这项研究中使用的这类数据极其难以获取。这也是为什么当今临床使用的AI如此之少的一个主要原因。" Obermeyer表示，为当前研究汇编所有数据大约花了十年时间，还包括他共同创立的两个团队的工作——Dandelion Health（https://dandelionhealth.ai/）和Nightingale Open Science（https://computationalhealth.berkeley.edu/nightingale-open-science/）——它们位于AI和医学研究的交叉领域。 "这是身处伯克利的一大奢侈，" Obermeyer说。"你可以从事这些缓慢推进的项目，然后——希望如此——在跨过终点线时获得巨大回报。" 该项目下一阶段已经启动。Obermeyer正在与瑞典、台湾和美国的医疗系统合作，将算法部署到医院心电图数据库中。对于标记为高风险的扫描结果，医生会通知患者，并让他们选择佩戴持续监测心脏的贴片。这些数据可以帮助研究人员更好地理解心脏内部的生理机制，这种机制发出的信号显然与风险升高相关。它甚至可能导致植入可能挽救生命的体内除颤器。 Obermeyer还建立了一个网站（https://eccentric.health/ecg-interest/），感兴趣评估自身风险的个人可以提交基本信息及电子邮件地址，以便研究团队在AI工具更广泛可用时联系他们进行心电图分析。 除了帮助医生和患者做出更好的决策，Obermeyer对AI在推动医学科学发展方面将发挥的作用持乐观态度。 "这些工具还将带来一种新的科学研究方式，" Obermeyer说，"思考这一切如何开始发生，是件很有趣的事。"