加州大学伯克利分校科学家表示，一种新型人工智能工具能够从常规心电图中识别出一个此前被忽视的明确信号，该信号可标记出一小部分心源性猝死风险显著升高的患者群体。在这项研究中，这一高风险群体一年内心源性猝死概率约为7%，这一比率超过了当今心脏病学中标准射血分数筛查所标识的风险水平。如果未来测试得到验证，这项本月发表在《自然》杂志上的研究成果最终可能改变医生对需要密切监测或植入式除颤器患者的判断标准。
研究是如何进行的
这篇经过同行评议的论文描述了一种深度学习模型，该模型在瑞典某地区的44万多份心电图上进行了训练，并与死亡证明和电子健康记录相关联。随后，研究人员在美国医疗系统和台湾医院登记处的独立数据集上验证了该算法。据《自然》杂志报道，该模型识别出一个高风险群体，约占瑞典样本的2.2%，其一年内心源性猝死率为约7.0%。相比之下，被左心室射血分数降低标记的人群心源性猝死率约为4.6%。
一个新发现的可见心电图线索
研究团队没有简单地输出一个神秘的黑盒评分，而是将其分类器与生成模型配对，以便了解算法实际上关注的是什么。这种方法突显了心电图aVL导联上QRS波群的一种此前未被描述的变化。论文报告称，这种特定的形状或形态是心律失常性死亡的强预测因子，并且在早期医学文献中并未出现。据伯克利新闻报道，该研究的主要作者齐亚德·奥伯迈尔(Ziad Obermeyer)在一次采访中表示："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。"
数字背后的意义
《自然》杂志的论文指出，该模型标记为高风险的大多数人原本会通过当前的筛查工具而不被发现。约86.1%被该算法标记的人并没有左心室射血分数降低的情况。研究还报告称，已经安装植入式除颤器的高风险患者死亡的可能性比预期低约54%。作者将此视为提示性证据，表明AI识别出的患者可能从现有治疗中获益。
下一步与本地测试
目前，研究人员正在与瑞典、台湾和美国的医疗系统合作，将该算法部署并测试于医院心电图数据库，然后通过可穿戴心脏监测器跟踪标记的患者。该团队是加州大学伯克利分校计算精准健康网络及其附属初创公司的一部分，他们强调该工具仍处于研究阶段，不是医生可以常规开具的检查，也不是公众可以下载的应用程序。伯克利新闻的报道还提到一个网站，人们可以在那里注册以了解未来的分析，而研究作者强调，任何更广泛的临床应用都需要更多的验证和监管监督。
专家为何建议谨慎推进
外部评论者赞扬了该研究的规模之大，以及尝试将算法输出与可见的心电图模式联系起来的努力，而不是接受一个纯粹的黑盒评分。同时，他们警告不要急于将此投入实践。心源性猝死的定义、数据集之间的差异以及隐私问题都可能影响这种模型在现实世界中的表现。STAT的报道指出，该信号可能与心脏纤维化有关，这将是一个生物学上合理的解释，但也强调在指南改变之前需要前瞻性测试。研究作者和独立专家指出了更广泛筛查的权衡：更密集的监测可能及早发现严重风险，但也可能增加许多患者的后续检查程序。
患者应该了解的信息
临床医生表示，这不是患者应该自行尝试应用的技术。该算法不可用于家庭使用，医疗决策仍需依赖超声心动图等已建立的工具，结合全面的临床评估。任何出现晕厥、不明原因的头晕、心悸或有心源性猝死家族史的人，都应与医生讨论症状和检测选项。对于易于理解的研究概述和未来可能的发展，读者可以参考亚特兰大FOX5的报道。
【全文结束】