夜雨聆风
美国每年约有30万人死于心脏性猝死。尽管植入式除颤器几十年来已能阻止许多致死性心律失常，但当前的主要问题不在于如何使用除颤器，而在于如何提前识别出真正需要它的人。
在一项发表于Nature杂志的最新研究中，加州大学伯克利分校副教授齐亚德·奥伯迈耶（Ziad Obermeyer）领导的团队训练了一个神经网络，仅凭一段10秒的心电图即可回答这个问题。随后，研究人员又训练了第二个神经网络，用于揭示第一个网络究竟在关注心电信号中的哪些特征。
这套双模型架构指向了AI在医学领域的一个更大雄心：让机器发现人类专家此前未曾意识到的新线索，然后由人类专家自行验证。
目前，心脏病专家主要依靠左心室射血分数（LVEF）来决定谁应该植入除颤器。但奥伯迈耶指出，这一标准远非完美：“许多心脏性猝死者要么从未做过超声检查，要么做过但结果正常。”与此同时，大多数基于该检测结果植入的除颤器最终从未被触发过。
为突破这一局限，研究团队开始寻找更好的风险标志物。心电图（ECG）测量心脏的电活动，价格低廉且在全球范围内几乎普及。然而，尽管对心电图波形进行了数十年的研究，心脏病专家从未发现过可用于预测心脏性猝死的可靠信号。
研究团队将来自瑞典的超过44万份心电图与死亡证明记录相关联，并在美国和台湾的患者数据上进行了验证。AI模型识别出一个高风险群体，其年心脏性猝死率约为7%，而当前标准筛查方法下的年猝死率仅为4.6%。更值得注意的是，AI标记的高风险人群中，超过86%无法通过现有常规筛查方法识别出来。该模型将约2.2%的患者归类为高风险。
研究还揭示了一个此前未知的心电图线索：aVL导联中一种微弱的“模糊化”信号（faint slurring），可能反映了心脏电信号传导的碎裂化。这种模式在标准解读中极易被忽略，这也恰恰解释了为何AI作为“第二层分析”能够带来额外的临床价值。
奥伯迈耶强调，这一发现尤其重要，因为心脏性猝死是少数几种已有预防性治疗手段的疾病之一——植入式除颤器。但他同时指出，真正的困难在于在患者发病之前确定谁应该接受该设备。他补充说，该模型应被用于“指导进一步的临床评估”，而非“直接触发治疗决策”。
当然，研究团队也提醒，该工具在常规应用于医院或诊所之前，仍需经过前瞻性验证。但这无疑为心脏性猝死的早期预警开辟了一条全新的路径——不是发明新的检测设备，而是用AI重新“阅读”已有百年历史的心电图，从中提取出人类肉眼从未发现的生命信号。
参考文献：
https://www.nature.com/articles/s41586-026-10674-6
