Isyarat Baharu dalam EKG yang Tidak Dikesan Sebelum Ini Ditemui oleh AI UC Berkeley

Penemuan Utama daripada Kajian Kematian Kardiak Mengejut AI UC Berkeley

Penyelidik Universiti California, Berkeley (UC Berkeley) yang diketuai oleh profesor madya Ziad Obermeyer telah menerbitkan satu kajian pada 24 Jun 2026 dalam jurnal Nature yang mendedahkan bahawa model pembelajaran mendalam (deep learning) yang dilatih dengan lebih 440,000 elektrokardiogram (EKG) telah menemui isyarat elektrik yang sebelum ini tidak dikenali dalam imbasan jantung rutin. Isyarat ini meramal risiko kematian kardiak mengejut dengan jauh lebih baik berbanding piawaian klinikal semasa .

Isyarat yang Sebelum Ini Tidak Dikenali

Model AI tersebut mengenal pasti corak gelombang yang sangat halus dalam EKG—pancang dan arus elektrik yang dihasilkan oleh jantung—yang tidak dapat dikesan oleh pembaca manusia mahupun ujian klinikal standard . Corak-corak ini berkait rapat dengan sistem elektrik jantung yang tidak berfungsi sebelum berlaku serangan jantung mengejut. Mekanisme fisiologi yang tepat masih belum difahami sepenuhnya, tetapi AI ini nampaknya telah menumpukan kepada ciri yang berkaitan dengan jantung yang tiba-tiba dan secara maut berhenti berfungsi dengan baik .

Latihan dan Pengesahan Model

Pasukan penyelidik melatih model pembelajaran mendalam menggunakan lebih 440,000 EKG dari Sweden yang dipautkan dengan sijil kematian. Model ini diberi makan imbasan daripada individu sihat, pesakit berisiko, dan mereka yang kemudiannya meninggal dunia akibat kematian kardiak mengejut sehingga ia belajar untuk mengenali corak gelombang yang meramalkan hasil tersebut . Seterusnya, mereka mengesahkan model tersebut dengan beribu-ribu fail pesakit tambahan dari Amer Syarikat (kawasan San Diego) dan Taiwan (Taipei) . Sebuah artikel berita Nature yang mengiringi kajian ini mengesahkan bahawa model tersebut dibangunkan menggunakan data EKG yang meluas dan rekod kematian .

Prestasi Pengesanan Risiko

Sistem AI ini mengenal pasti kumpulan berisiko tinggi dengan kadar kematian kardiak mengejut tahunan sebanyak 7%, berbanding ujian klinikal standard (yang mengukur jumlah darah yang dipam jantung setiap degupan) yang mengenal pasti kumpulan berisiko tinggi dengan hanya kadar 4.6% setahun . Model ini menandakan kumpulan berisiko tinggi yang lebih besar dan meramal dengan lebih baik siapa yang akan mengalami kematian kardiak mengejut—perbezaan yang boleh diterjemahkan kepada ribuan pesakit setiap tahun yang kini kelihatan berisiko rendah mengikut ukuran konvensional .

Mengapa Pengesanan Begitu Sukar

Serangan jantung mengejut membunuh lebih 300,000 orang di AS setiap tahun dan berlaku apabila sistem elektrik jantung tiba-tiba berhenti berfungsi tanpa amaran . Obermeyer menyatakan bahawa terdapat rawatan yang berkesan—defibrilator implan yang mengejutkan jantung kembali ke irama normal—tetapi doktor tidak dapat menentukan siapa yang memerlukannya sebelum terlambat . Masalah utamanya ialah orang mati begitu mengejut sehingga hampir mustahil untuk mengetahui apa yang berlaku di dalam jantung sebelum itu; bedah siasat mendedahkan butiran struktur tetapi bukan fungsi elektrik sejurus sebelum kematian .

Langkah Seterusnya

Penyelidik merancang untuk menggunakan algoritma ini dalam sistem kesihatan untuk membantu doktor mengenal pasti dengan lebih baik siapa yang memerlukan defibrilator dalaman . Kajian ini juga membuka pintu untuk penyelidikan baharu mengenai mekanisme fisiologi asas di sebalik kerosakan elektrik jantung. Obermeyer menyatakan matlamatnya adalah untuk "bukan sahaja membuat keputusan yang lebih baik, tetapi juga mula memahami apa yang sebenarnya berlaku pada pesakit ini sebelum jantung mereka berhenti" . Oleh kerana EKG adalah rutin, kos rendah, dan tersedia di pusat perubatan di seluruh dunia, alat ini boleh diperluaskan secara meluas untuk menyelamatkan nyawa .