AI识别出了细微的波形模式——心脏产生的电尖峰和电流——这些模式无论是人眼判读还是标准临床检测都无法发现 。这些模式与心脏在发生心脏性猝死前电传导系统出现功能障碍有关。确切的生理机制尚不明确，但AI似乎捕捉到了与心脏突然致命性电活动紊乱相关的特征 。

横跨三大洲的训练

研究人员使用了超过44万份来自瑞典的心电图，并将每份扫描结果与死亡证明相关联，对深度学习模型进行训练 。该系统通过分析健康人群、高风险患者以及后来死于心脏性猝死患者的扫描结果，学会了识别能够预测心脏性猝死的波形模式 。

关键的是，研究团队随后在数千份来自两个独立人群的额外患者档案上验证了该模型：美国圣地亚哥地区和中国台湾台北地区 。一篇《自然》的新闻文章也证实，该模型是利用大量心电图数据和死亡记录开发的 。

更好的风险检测，挽救更多生命

该AI系统识别出一个高风险组，其心脏性猝死年发生率被识别为7% 。相比之下，标准临床检测——通过测量心脏每次搏动泵出的血量来评估——识别出的高风险组年发生率仅为4.6% 。

该模型识别出了更广泛的高风险人群，并且能更准确地预测谁会遭受心脏性猝死。这些差异意味着每年有成千上万名患者，按照常规标准评估时看似风险较低，但实际上却处于危险之中 。

为何检测风险如此困难

心脏性猝死发生时，心脏的电传导系统会毫无预警地突然停止工作。奥伯迈耶解释说，存在有效的治疗方法——即植入式除颤器——但医生在悲剧发生前无法确定谁需要它 。

核心问题在于，人们死亡得如此突然，以至于几乎不可能预知心脏内部当时正在发生什么。尸检可以揭示心脏的结构细节，但无法显示死亡前一刻心脏的电功能状态 。

下一步：从算法走向临床应用

研究人员计划将该算法部署到医疗系统中，帮助医生更好地识别哪些患者能从植入式除颤器中获益 。这项研究也为探索心脏电功能紊乱背后的潜在生理机制开辟了新方向。

奥伯迈耶表示：“目标不仅是做出更好的决策，更是要开始理解这些患者心脏停止跳动之前到底发生了什么。” 由于心电图检查常规、成本低，并且在世界各地的医疗中心都普遍可用，这项工具有望大规模推广，以挽救更多生命 。

AI识别出了细微的波形模式——心脏产生的电尖峰和电流——这些模式无论是人眼判读还是标准临床检测都无法发现 。这些模式与心脏在发生心脏性猝死前电传导系统出现功能障碍有关。确切的生理机制尚不明确，但AI似乎捕捉到了与心脏突然致命性电活动紊乱相关的特征 。

横跨三大洲的训练

研究人员使用了超过44万份来自瑞典的心电图，并将每份扫描结果与死亡证明相关联，对深度学习模型进行训练 。该系统通过分析健康人群、高风险患者以及后来死于心脏性猝死患者的扫描结果，学会了识别能够预测心脏性猝死的波形模式 。

关键的是，研究团队随后在数千份来自两个独立人群的额外患者档案上验证了该模型：美国圣地亚哥地区和中国台湾台北地区 。一篇《自然》的新闻文章也证实，该模型是利用大量心电图数据和死亡记录开发的 。

更好的风险检测，挽救更多生命

该AI系统识别出一个高风险组，其心脏性猝死年发生率被识别为7% 。相比之下，标准临床检测——通过测量心脏每次搏动泵出的血量来评估——识别出的高风险组年发生率仅为4.6% 。

该模型识别出了更广泛的高风险人群，并且能更准确地预测谁会遭受心脏性猝死。这些差异意味着每年有成千上万名患者，按照常规标准评估时看似风险较低，但实际上却处于危险之中 。

为何检测风险如此困难

心脏性猝死发生时，心脏的电传导系统会毫无预警地突然停止工作。奥伯迈耶解释说，存在有效的治疗方法——即植入式除颤器——但医生在悲剧发生前无法确定谁需要它 。

核心问题在于，人们死亡得如此突然，以至于几乎不可能预知心脏内部当时正在发生什么。尸检可以揭示心脏的结构细节，但无法显示死亡前一刻心脏的电功能状态 。

下一步：从算法走向临床应用

研究人员计划将该算法部署到医疗系统中，帮助医生更好地识别哪些患者能从植入式除颤器中获益 。这项研究也为探索心脏电功能紊乱背后的潜在生理机制开辟了新方向。

奥伯迈耶表示：“目标不仅是做出更好的决策，更是要开始理解这些患者心脏停止跳动之前到底发生了什么。” 由于心电图检查常规、成本低，并且在世界各地的医疗中心都普遍可用，这项工具有望大规模推广，以挽救更多生命 。