关键要点：
- 使用AI增强的心电图和电子健康记录可识别心脏骤停高风险人群。
- 高风险人群的心脏骤停风险为1%至2%，而普通人群的风险为千分之一。
根据发表在《JACC：进展》(JACC: Advances)上的数据，使用AI增强的心电图和电子健康记录使研究人员能够区分院外心脏骤停的高风险人群。
华盛顿大学医学院医学副教授Neal Chatterjee医学博士、理学硕士向Healio表示："迄今为止，普通人群中仍没有建立经过验证的心脏骤停筛查方法。我们的工作强调了两点：第一，导致心脏骤停风险的因素在一定程度上是心血管方面的，但有很大一部分风险是非心血管因素；第二，我们可以更精确地针对这一特定结果进行风险预测。"
Chatterjee及其同事进行了一项病例对照研究，利用AI增强的心电图和电子健康记录(EHR)数据开发并验证了该模型，并评估了在UW医学中心接受心电图检查的患者中院外心脏骤停的2年发生率，同时考虑了其他原因导致死亡的竞争风险。
"这是一个巨大的改进"
"以往关于心脏骤停的研究通常只关注模型区分心脏骤停患者和非患者的能力，"Chatterjee向Healio表示，"然而，缺失的是对这些模型在真实世界环境中表现的直接评估。在这篇论文中，我们特别关注了在1年期间进入UW医疗系统的个体。然后我们将模型应用于这些个体，并在未来2年内对其进行跟踪。在这2年的时间框架内，我们能够标记出高风险患者群体，其年风险约为1%。这比普通人群的基础风险（每年千分之一）有了巨大改进。"
研究人员写道，与单独使用心电图或电子健康记录数据相比，结合AI增强的心电图和电子健康记录数据的模型对院外心脏骤停的区分能力更高（受试者工作特征曲线下面积为0.83；精确率-召回率曲线下面积为0.44）（所有比较的Bonferroni调整后P值<0.05）。
根据研究人员的说法，在2021年接受心电图检查的39,911名患者的现实世界队列中，被模型识别为院外心脏骤停高风险的患者，其心脏骤停的2年累积发生率为2.4%（95%置信区间，2%-2.8%），而被识别为低风险的患者则为0.5%（95%置信区间，0.3%-0.8%）。
"该模型首次证明，我们可以将心脏骤停的风险富集约20倍，"Chatterjee向Healio表示，"实际上，我们能够在普通人群中识别出一个高风险群体，将风险从每年约千分之一转变为每年约百分之一至百分之二。对患者来说，理解和接受1%至2%的风险与千分之一的风险感受非常不同。"
更多研究需要
Chatterjee表示，在该模型能够被广泛采用之前，必须在其他环境中进行验证。
他还表示，"同样重要的是，不要使用这项技术来制造'过度担忧的健康人群'。换句话说，我们希望避免在原本健康的个体中引起不必要的焦虑、心理压力和额外检查。为了解决这个问题，我们现在需要了解这些模型应该证明哪些后续检查是合理的。实际上，我们认为这项工作是这一更大故事中关键且必要的第一步。我们正在积极寻求外部资金机会，以了解'高风险'个体的系统性筛查方案应该是什么样子。测试可能包括基因评估、更先进的心脏成像和持续心律监测。在这一层测试之后，如果发现异常，未来的测试可能包括更复杂的方法，如虚拟或数字孪生技术来评估心律失常风险。除了普通人群外，我们也在评估是否有某些人群可能从这种筛查中获益最多。可能的群体包括有心脏病或心脏骤停家族史的人、运动员（代表一个高风险的亚群体）以及某些临床情况（例如因心脏疾病或晕厥住院的人）。"
Chatterjee告诉Healio，"如果某人被模型识别为高风险，'对该患者的实用干预措施可能包括除颤器'。目前，我们通常只为心脏功能有显著异常的极高风险患者保留除颤器。但这类患者仅占心脏骤停全球负担的一小部分。"
更多信息：
华盛顿大学医学院医学副教授、John和Cookie Laughlin心脏学讲席教授、《NEJM证据》副编辑Neal Chatterjee医学博士、理学硕士可通过nchatter@uw.edu联系，也可在X平台(@nchatterjeemd)联系。
来源/披露：
来源：Sharma S等。JACC Adv. 2026;doi:10.1016/j.jacadv.2026.102787。
披露：Chatterjee报告没有相关财务披露。请参阅研究了解所有其他作者的相关财务披露。
【全文结束】