心電圖隱藏「死亡密碼」？UC Berkeley AI 揭開猝死預測新突破

UC Berkeley AI 研究心源性猝死：心電圖隱藏訊號大發現

UC Berkeley 嘅研究團隊，由副教授 Ziad Obermeyer 領導，喺 2026 年 6 月 24 日將研究發表喺頂尖期刊《Nature》。研究顯示，一個深度學習模型分析咗超過 44 萬份心電圖（EKG/ECG），發現咗一個人類醫生一直忽略咗嘅心臟電氣訊號，呢個訊號可以比現有臨床標準更準確預測心源性猝死嘅風險 。

前所未見嘅隱藏訊號

呢個 AI 模型喺心電圖入面搵到好細微嘅波形變化——即係心臟產生嘅電脈衝同行電流——呢啲變化人類醫生同傳統臨床檢查係完全檢測唔到㗎 。呢啲波形模式同心臟電氣系統失靈有關，而呢種失靈正正係導致心臟驟停嘅原因。雖然科學家仲未完全明白背後嘅生理機制，但 AI 似乎係捕捉到咗心臟突然致命性「失火」前嘅徵兆 。

訓練同驗證過程

研究團隊用嚟自 瑞典超過 44 萬份心電圖，再結合同期嘅死亡證明數據，用呢啲資料訓練深度學習模型。佢哋將健康人士、有心臟風險嘅病人，以及後來死於心源性猝死嘅病人嘅心電圖全部輸入 AI，等佢慢慢學習邊啲波形係同猝死有關 。之後，研究團隊再用嚟自 美國聖地牙哥地區 同 台灣台北 嘅數千份額外病人數據去驗證模型嘅準確度 。《Nature》嘅新聞文章都確認咗呢個模型係用咗大量心電圖同死亡記錄數據來開發嘅 。

風險檢測表現有幾勁？

呢個 AI 系統可以識別出一個高風險群組，呢班人每年嘅心源性猝死率高達 7%。相比之下，而家臨床常用嘅檢查方法（測量心臟每次跳動泵出幾多血）只能識別出年猝死率約 4.6% 嘅高風險群組 。換句話講，AI 模型唔單止可以搵到更多高風險病人，而且預測得更準。呢個差距每年可能涉及成千上萬個病人，佢哋用傳統方法睇落係低風險，但其實好危險 。

點解一直以嚟咁難檢測？

心源性猝死喺美國每年奪去超過 30 萬人嘅生命，係心臟電氣系統突然無預警停止運作導致嘅 。其實而家已經有好有效嘅治療方法——植入式心臟除顫器，當心臟亂跳或者停頓嘅時候可以電擊令佢恢復正常節律。但問題係，醫生一直以嚟都無辦法準確判斷邊個病人需要喺出事前植入呢啲裝置 。最主要嘅原因係，呢啲病人死得太快太突然，根本好難知道佢哋心臟死之前發生咩事；遺體解剖可以睇到心臟結構，但睇唔到死前嗰一刻嘅電氣活動 。

下一步點做？

研究團隊計劃將呢個 AI 演算法應用喺醫療系統入面，幫助醫生更準確判斷邊啲病人需要植入心臟除顫器 。今次研究仲為心臟電氣失靈背後嘅 生理機制 研究打開咗新大門。Obermeyer 教授話，目標係「唔單止要做出更好嘅決定，仲要開始了解呢啲病人喺心臟停頓之前，身體入面到底發生緊咩事」。由於心電圖係常規、低成本嘅檢查，全球嘅醫療中心都有提供，呢個工具好大機會可以廣泛應用，拯救無數生命 。