心脏性猝死仍然是年轻运动员的主要医学死因，新研究表明，可解释人工智能（AI）结合先进的数字心脏模型可能有助于在危及生命的事件发生前识别出风险最高的运动员。
运动员心脏安全再次成为焦点
本周，丹麦足球运动员克里斯蒂安·埃里克森（Christian Eriksen）在对阵乌克兰的友谊赛中晕倒，他的植入式心律转复除颤器交付了纠正性电击，这一事件重新引发了公众对运动员心脏安全的关注，突显了在体育运动中管理潜在危险心律异常的持续挑战。
这一事件凸显了运动医学面临的一个更广泛的问题：临床医生如何能够在严重心脏事件发生前更好地识别出有风险的运动员？
一项新的系统性综述试图通过研究可解释人工智能（AI）和先进心脏建模在运动员筛查中的潜在作用来解决这一挑战。
运动相关心脏性猝死仍是一个挑战
研究人员对2013-2025年间发表的研究进行了系统性综述，考察了运动相关心脏性猝死、用于检测危及生命的心律失常的可解释AI方法以及心脏电生理模型。
在识别的9,574项研究中，84项符合纳入标准，包括16项流行病学研究、30项专注于可解释AI的研究和38项研究心脏建模的研究。在流行病学研究中，运动相关心脏性猝死的发病率每年每10万参与者中有0.1-0.6例。
尽管罕见，但这些事件仍然是一个重大关切，因为它们可能在没有预警的情况下发生，并对运动员、家庭和体育社区造成毁灭性后果。
可解释AI与数字心脏
综述发现，梯度加权类激活映射是最常用的可解释AI技术。不同于难以解释的传统AI系统，这些方法帮助临床医生理解哪些特征影响预测，可能提高对AI辅助决策的信心。
研究人员还研究了模拟心脏电活动的心脏电生理模型。大多数研究集中在心律失常发展涉及的细胞和组织层面的过程。
作者建议，将可解释AI与这些数字心脏模型相结合，可以支持更个性化的风险评估，并改善对可能面临危及心脏事件风险的运动员的识别。
迈向更好的运动员筛查
该综述强调了不同研究中对运动相关心脏骤停和心脏性猝死的定义和报告存在显著差异。
作者认为，标准化定义以及更好地整合流行病学风险因素、AI工具和心脏建模框架对于推进运动员特定风险分层至关重要。
这些进展最终可能帮助临床医生更早地识别高风险运动员，并加强在灾难性心脏事件发生前预防这些事件的努力。
参考文献
Vanegas Müller E等. 针对青少年和年轻成人运动相关心脏性猝死和骤停的可解释人工智能和心脏电生理模型的系统性综述。npj Digit. Med. 2026;DOI:10.1038/s41746-026-02878-x。
【全文结束】