AI发现隐藏在心电图中的猝死信号，准确率超过传统检测方法

为了确保研究结果不仅适用于瑞典，该模型还在来自美国和台湾的数千份独立患者记录上进行了外部验证。这些预测在不同人群和医疗体系中均得到了验证，为模型的普适性提供了有力证据。

为什么检测心脏性猝死一直如此困难

心脏骤停与心肌梗死有本质区别。心肌梗死是动脉堵塞导致心脏肌肉缺氧；而心脏性猝死是一种电学故障——心脏的电信号会在毫无预警的情况下停止发放。

患者死亡极快，以至于研究心脏在死亡前一刻的活动几乎不可能。尸检可以显示结构性问题（血管堵塞、疤痕组织），但正如研究人员所指出的，“死亡前的实际功能活动依然是一个黑箱”。

目前的金标准风险测试——测量左心室射血分数（LVEF），即心脏每次搏动泵出的血液百分比——是一种粗放的工具。许多死于心脏性猝死的患者LVEF是正常的，而许多LVEF偏低的患者却从未发生骤停。标准方法漏掉了大多数需要帮助的人。

与传统测试的实践效果对比

AI识别出的高危组约占筛查人群的2.2%。该组7.0%的年心脏性猝死率，已达到或超过了临床上决定为患者植入除颤器（ICD）临床试验所采用的风险阈值。这意味着，许多按现行指南会被遗漏的患者，实际上可能成为这些救命设备的候选者。

下一步计划

该研究指出了三个明确的后续步骤：

1. 临床部署用于除颤器决策： 心电图价格低廉、无创，且全球几乎所有诊所都能进行。该AI模型可以帮助医生决定谁需要植入式心脏复律除颤器（ICD）。正如Obermeyer所说：“如果你知道自己将成为将要猝死的人之一，你会去找心脏病医生，然后植入一个除颤器。问题在于，医生无法在太晚之前判断出谁需要它。”

2. 新的生理学理解： AI发现的新波形（在未被告知寻找什么的情况下）开辟了一个新的研究方向。理解aVL导联顿挫R波背后的确切电学机制，可能揭示出为什么某些心脏会突然放电异常。Obermeyer说：“我们不仅可以做出更好的决策，还能开始了解这些患者心脏停止跳动之前究竟发生了什么。”

3. 大规模应用前的前瞻性试验： 尽管在三个国家的外部验证已经提供了强有力的证据，但该模型在进入常规临床实践前，仍需在前瞻性临床试验中进行测试。研究团队的工作展示了严谨、跨人群的验证方法，这让这一发现格外有前景。