美国每年有超过30万人死于心脏骤停。这种致命急症发生于心电系统突然失效、心脏停止泵血时。它可能发生于已知有心脏病的老年人，也可能发生于表面健康的年轻运动员。植入式除颤器可以避免部分死亡，但医生长期难以确定哪些患者最需要植入。

加州大学伯克利分校的研究人员现在在常规心脏扫描中发现了一种此前被忽视的预警信号，可能有助于在致命事件发生前识别高风险人群。

该发现使用人工智能完成，训练数据为瑞典采集的超过44万份心电图（EKG）。研究人员将这些扫描记录的电活动模式与死亡证明信息进行比较，训练 AI 系统识别健康个体、已知心脏风险患者以及最终死于心源性猝死的人群之间的细微差异。

团队随后使用来自美国和中国台湾的数千份额外患者记录评估该技术，检验这些模式能否在不同人群中可靠识别高风险个体。

AI 可识别常规检查遗漏的隐藏心脏风险

结果表明，AI 识别易发生不良事件患者的效果优于医生通常依赖的常规检查。当前筛查方法主要关注心脏每次收缩泵出多少血液，这一测量用于评估患者是否可能从植入式除颤器中获益。

使用传统测量，医生可识别出一个年心源性猝死率为4.6%的患者组。AI 系统识别出的患者组年死亡率为7%，表明其区分面临严重危险患者的能力更强。

该算法还识别出更广泛的高风险人群，包括数千名在现有医学指南下通常不会引起关注的人。按常规方法，其中大多数人会被归类为相对低风险。

另一项主要优势是，该系统可处理普通心电图图像，而全球医院和医疗中心已常规采集这类图像。这意味着该技术可能在不要求全新类型医学检查的情况下改善筛查。

研究结果发表于 Nature，最终可能帮助医生更明智地决定哪些患者应接受植入式除颤器。研究还提出一个有待解释的科学问题：心脏内部哪些变化产生了 AI 学会识别的电活动模式。

加州大学伯克利分校公共卫生学院副教授、该研究主要作者 Ziad Obermeyer 表示：“医学决策非常困难，我认为这正是 AI 令我兴奋的原因。我们不仅能做出更好的决策，还能开始理解这些患者心脏停止前究竟发生了什么。”

心源性猝死难以预测的原因

心脏骤停不同于心肌梗死。心肌梗死发生于心脏某一部分的血流被阻断或严重受限。心脏骤停则由协调心跳的电信号失效引起。

立即进行心肺复苏（CPR）以及使用自动体外除颤器（AED）电击，有时可恢复心脏节律。然而，在医院外发生心脏骤停的人中约90%会在数分钟内死亡，因此早期识别高风险个体尤为重要。

对 Obermeyer 而言，心源性猝死仍是医学中最令人沮丧的未解问题之一。他是一名急诊医生，研究结合人工智能、医学与卫生政策。

由于受害者常在无预警情况下死亡，研究人员很少有机会观察心脏停止前即刻的内部变化。尸检可能发现血管阻塞、组织硬化或其他结构异常，但无法完整揭示死亡前数分钟心脏的功能状态。

Obermeyer 表示：“这个问题之所以非常悲惨，却又非常适合 AI，是因为我们已有针对它的疗法。如果你知道自己属于会猝死的人群，你会去找心脏病医生并植入除颤器。问题在于，医生无法在为时已晚之前确定谁需要植入。”

当前心脏风险筛查的局限

医生目前高度依赖一项测量：心脏每次搏动泵血的效率。心脏泵血低于特定阈值的患者可能被视为植入式心律转复除颤器（ICD）的候选者。该设备可在出现危险心律时释放电击。

但获得该测量通常需要更全面的医学评估。许多最终发生心脏骤停的人从未接受这类检查，因为他们没有明显理由怀疑自己处于危险中。

该方法对已识别为高风险的患者也有局限。这些患者中约三分之二的植入式除颤器从未需要释放电击。结果是，许多人接受昂贵、侵入性的手术，以应对可能永远不会发生的致命急症。

与此同时，每年有数千名未被识别为高风险的人意外死亡。

Obermeyer 表示：“在其中一部分人中，如果我们及时知道风险，本可避免这些死亡。许多人正死于心源性猝死；如果有更好的 AI 工具发现这些风险，这些死亡本可预防。”

研究人员希望，识别更准确的预警信号可帮助医生将预防性治疗导向最可能获益的患者。

研究人员如何训练 AI 识别致命心脏模式

开发该算法需要三套独立医学数据集合，分别采集自世界不同地区。

研究人员从瑞典统一医疗系统六年的心电图记录开始。通过将这些扫描与死亡证明关联，他们可以检查后来发生心源性猝死患者的电活动模式，并与其他患者比较。

AI 学习识别记录中似乎与风险升高相关的波峰、波形及其他特征的组合。系统训练完成后，团队用另外两个数据集测试：圣迭戈某医院系统两年的匿名心电图记录，以及来自台北的独立患者数据集合。

这一国际测试帮助研究人员评估算法的预测能力能否扩展到开发所用的瑞典人群之外。

Obermeyer 同时隶属于加州大学旧金山分校-加州大学伯克利分校计算精准健康联合项目。他表示：“好的 AI 始于好的数据。不幸的是，我们这项研究所用的这类数据极难获取。这也是当今临床 AI 应用如此之少的重要原因。”

获取并组织这些信息本身就是一项艰巨任务。据 Obermeyer 介绍，数据集组装耗时约10年，并涉及他协助建立的两个组织 Dandelion Health 和 Nightingale Open Science 的贡献。这两个组织都致力于通过改善数据获取和人工智能来推进医学研究。

Obermeyer 表示：“这是伯克利的一大优势。你可以推进这类需要缓慢积累的项目，并希望它们在完成时带来巨大回报。”

从隐藏心脏信号到挽救生命的治疗

研究人员已开始探索该系统在实际医疗环境中的使用方式。

Obermeyer 正与瑞典、台湾和美国的医疗系统合作，将该算法引入医院心电图数据库。目标是检查现有心脏扫描中的风险升高迹象，并识别可能从额外监测中获益的患者。

在拟议方案中，医生将联系心电图评估为高风险的患者，并提供佩戴贴片的机会，以连续记录心脏电活动。

这些更长的记录可为解释 AI 检测到的预警信号所对应的生物过程提供线索。理解这些过程可帮助研究人员解释为何某些心脏更容易突然出现致命电活动紊乱。

对部分患者而言，额外信息最终可能支持建议植入除颤器，从而可能避免突然且原本难以预料的死亡。

Obermeyer 还创建了一个网站，有兴趣了解自身风险的人可提供基本个人信息和电子邮箱地址。当技术更广泛可用时，研究团队可就此联系他们进行心电图分析。

AI 能否揭示人类心脏的新机制

除了改善心源性猝死预防的潜力，该发现还凸显人工智能如何帮助科学家研究常规方法难以解决的医学谜题。

该算法不仅识别可能需要治疗的患者，还发现了研究人员尚未完全理解的心脏活动模式。研究这些信号可能为理解导致心源性猝死的电活动紊乱提供新见解，并可能揭示更多预防机会。

Obermeyer 认为，这种发现此前未被识别生物模式的能力，可能成为 AI 对医学最重要的贡献之一，在研究上开辟新方向，同时帮助医生做出更好决策。

Obermeyer 表示：“这些工具还将产生一种新的科研方式，思考这一过程如何开始，值得关注。”