Modellen finder ikke bare en ny markør – den finder én, der batter. I den højrisikogruppe, den identificerede, var den årlige pludselige hjertedødsrate 7,0 %, sammenlignet med 4,6 % for de højeste risikopatienter identificeret ved standardtesten for venstre ventrikels uddrivningsfraktion (LVEF) .

Hvordan modellen blev trænet og valideret

Forskerholdet anvendte en stringent tilgang til modeludvikling. De parrede over 440.000 EKG'er fra svenske sundhedsjournaler med dødsattestdata, så AI'en kunne lære, hvilke bølgeformsmønstre der gik forud for pludseligt hjertestop . Den dybe læringsarkitektur analyserede hele 12-afledningssignalet, ikke kun opsummerende målinger – hvilket gjorde det muligt at finde subtile, ikke-lineære mønstre, der er usynlige for menneskelige læser.

For at sikre, at resultaterne ikke kun var specifikke for Sverige, blev modellen eksternt valideret på tusindvis af uafhængige patientjournaler fra USA og Taiwan. Forudsigelserne holdt stik på tværs af forskellige befolkningsgrupper og sundhedsvæsener, hvilket giver stærke beviser for generaliserbarhed .

Hvorfor det har været så svært at opdage pludseligt hjertestop

Pludseligt hjertestop er fundamentalt forskelligt fra et hjerteanfald. Et hjerteanfald skyldes en blokeret arterie, der sulter hjertemusklen for ilt; pludseligt hjertestop er en elektrisk fejlfunktion – hjertets elektriske strøm ophører uden varsel .

Folk dør så hurtigt, at det er næsten umuligt at studere, hvad hjertet lavede øjeblikkene før. Obduktioner kan vise strukturelle problemer (blokerede kar, arvæv), men som forskerne bemærkede, 'er den faktiske funktion før døden forblevet en black box' .

Den nuværende guldstandard-risikotest – måling af venstre ventrikels uddrivningsfraktion (LVEF), den procentdel af blod hjertet pumper per slag – er et upræcist redskab. Mange, der dør af pludseligt hjertestop, har en normal LVEF, og mange med lav LVEF oplever aldrig et stop . Standardmetoden overser de fleste, der har brug for hjælp.

Praktiske resultater sammenlignet med standardtest

AI'en identificerede en højrisikogruppe, der udgør omkring 2,2 % af den screenede befolkning. Den årlige pludselige hjertedødsrate på 7,0 % i denne gruppe er sammenlignelig med eller bedre end risikotærsklen, der anvendes i kliniske forsøg for implanterbare defibrillatorer (ICD'er) . Det betyder, at mange patienter, som de nuværende retningslinjer overser, kunne være kandidater til livreddende apparater.

Hvad er de næste skridt

Forskningen peger på tre klare næste skridt:

1. Klinisk implementering for defibrillatorbeslutninger: EKG'er er billige, ikke-invasive og tilgængelige i næsten alle klinikker verden over. AI-modellen kunne hjælpe læger med at beslutte, hvem der har brug for en implanterbar kardioverter-defibrillator (ICD). Som Obermeyer udtrykte det: 'Hvis du vidste, at du var en af dem, der ville falde død om, ville du gå til en kardiolog og få implanteret en defibrillator. Problemet er, at lægerne ikke kan finde ud af, hvem der har brug for én, før det er for sent' .

2. Ny fysiologisk forståelse: Den nye bølgeform, som AI'en opdagede – uden at være blevet fortalt, hvad den skulle kigge efter – åbner en ny forskningsretning. At forstå den præcise elektriske mekanisme bag den slørede R-bølge i afledning aVL kunne afsløre hvorfor nogle hjerter pludselig fejltænder. 'Vi kan ikke kun træffe bedre beslutninger, men også begynde at forstå, hvad der faktisk foregår med disse patienter, før deres hjerte stopper,' sagde Obermeyer .

3. Prospektive forsøg før udbredt anvendelse: Selvom den eksterne validering på tværs af tre lande er stærkt bevis, skal modellen testes i prospektive kliniske forsøg, før den tages i almindelig klinisk brug. Forskerholdets arbejde demonstrerer den stringente validering på tværs af befolkningsgrupper, der gør dette fund særligt lovende .

Modellen finder ikke bare en ny markør – den finder én, der batter. I den højrisikogruppe, den identificerede, var den årlige pludselige hjertedødsrate 7,0 %, sammenlignet med 4,6 % for de højeste risikopatienter identificeret ved standardtesten for venstre ventrikels uddrivningsfraktion (LVEF) .

Hvordan modellen blev trænet og valideret

Forskerholdet anvendte en stringent tilgang til modeludvikling. De parrede over 440.000 EKG'er fra svenske sundhedsjournaler med dødsattestdata, så AI'en kunne lære, hvilke bølgeformsmønstre der gik forud for pludseligt hjertestop . Den dybe læringsarkitektur analyserede hele 12-afledningssignalet, ikke kun opsummerende målinger – hvilket gjorde det muligt at finde subtile, ikke-lineære mønstre, der er usynlige for menneskelige læser.

For at sikre, at resultaterne ikke kun var specifikke for Sverige, blev modellen eksternt valideret på tusindvis af uafhængige patientjournaler fra USA og Taiwan. Forudsigelserne holdt stik på tværs af forskellige befolkningsgrupper og sundhedsvæsener, hvilket giver stærke beviser for generaliserbarhed .

Hvorfor det har været så svært at opdage pludseligt hjertestop

Pludseligt hjertestop er fundamentalt forskelligt fra et hjerteanfald. Et hjerteanfald skyldes en blokeret arterie, der sulter hjertemusklen for ilt; pludseligt hjertestop er en elektrisk fejlfunktion – hjertets elektriske strøm ophører uden varsel .

Folk dør så hurtigt, at det er næsten umuligt at studere, hvad hjertet lavede øjeblikkene før. Obduktioner kan vise strukturelle problemer (blokerede kar, arvæv), men som forskerne bemærkede, 'er den faktiske funktion før døden forblevet en black box' .

Den nuværende guldstandard-risikotest – måling af venstre ventrikels uddrivningsfraktion (LVEF), den procentdel af blod hjertet pumper per slag – er et upræcist redskab. Mange, der dør af pludseligt hjertestop, har en normal LVEF, og mange med lav LVEF oplever aldrig et stop . Standardmetoden overser de fleste, der har brug for hjælp.

Praktiske resultater sammenlignet med standardtest

AI'en identificerede en højrisikogruppe, der udgør omkring 2,2 % af den screenede befolkning. Den årlige pludselige hjertedødsrate på 7,0 % i denne gruppe er sammenlignelig med eller bedre end risikotærsklen, der anvendes i kliniske forsøg for implanterbare defibrillatorer (ICD'er) . Det betyder, at mange patienter, som de nuværende retningslinjer overser, kunne være kandidater til livreddende apparater.

Hvad er de næste skridt

Forskningen peger på tre klare næste skridt:

1. Klinisk implementering for defibrillatorbeslutninger: EKG'er er billige, ikke-invasive og tilgængelige i næsten alle klinikker verden over. AI-modellen kunne hjælpe læger med at beslutte, hvem der har brug for en implanterbar kardioverter-defibrillator (ICD). Som Obermeyer udtrykte det: 'Hvis du vidste, at du var en af dem, der ville falde død om, ville du gå til en kardiolog og få implanteret en defibrillator. Problemet er, at lægerne ikke kan finde ud af, hvem der har brug for én, før det er for sent' .

2. Ny fysiologisk forståelse: Den nye bølgeform, som AI'en opdagede – uden at være blevet fortalt, hvad den skulle kigge efter – åbner en ny forskningsretning. At forstå den præcise elektriske mekanisme bag den slørede R-bølge i afledning aVL kunne afsløre hvorfor nogle hjerter pludselig fejltænder. 'Vi kan ikke kun træffe bedre beslutninger, men også begynde at forstå, hvad der faktisk foregår med disse patienter, før deres hjerte stopper,' sagde Obermeyer .

3. Prospektive forsøg før udbredt anvendelse: Selvom den eksterne validering på tværs af tre lande er stærkt bevis, skal modellen testes i prospektive kliniske forsøg, før den tages i almindelig klinisk brug. Forskerholdets arbejde demonstrerer den stringente validering på tværs af befolkningsgrupper, der gør dette fund særligt lovende .