AI 發現心電圖新訊號，比傳統檢測更準預測猝死

每年數十萬人死於心臟猝死——心臟嘅電系統突然停頓，好多時發生喺無已知心臟問題、毫無先兆嘅人身上。醫生一直缺乏可靠方法去識別邊個有風險。而家，UC Berkeley 嘅研究人員利用人工智能，發現咗一個隱藏喺常規心電圖（EKG）入面嘅細微訊號，有望改變呢個情況。

研究發現咗啲乜？

由 UC Berkeley 公共衞生學院 Ziad Obermeyer 帶領嘅團隊，用一個深度卷積神經網絡，分析咗超過 44 萬份瑞典嘅 12 導程心電圖，並將數據同死亡證明連結 。AI 從心臟嘅電活動中，學識咗識別人類醫生同所有標準臨床檢測都睇唔到嘅模式。佢發現咗一個從未被記載嘅波形訊號：aVL 導聯入面嘅 R 波末端出現「模糊化」——一個過去從未被醫學文獻描述過嘅細微異常 。

呢個模型唔單止搵到新標記，仲係一個有用嘅標記。喺佢識別出嘅高危組別，每年心臟猝死率係 7.0%，相比傳統左心室射血分數（LVEF）檢測得出嘅最高危患者（4.6%），高出近一倍 。

模型係點樣訓練同驗證？

研究團隊採用咗一套嚴謹嘅模型開發方法。佢哋將超過 44 萬份嚟自瑞典醫療紀錄嘅心電圖，同死亡證明數據配對，等 AI 可以學習邊啲波形模式係心臟猝死前會出現 。深度學習模型分析咗完整嘅 12 導程訊號，而唔係單一嘅總結數據——咁樣就可以搵出人類讀圖睇唔到嘅細微同非線性模式。

為咗確保結果唔係只適用喺瑞典，模型仲用咗嚟自美國同台灣嘅數千份獨立病人紀錄進行外部驗證。結果喺唔同族群同醫療體系中都一樣有效，提供咗強而有力嘅證據，證明呢個發現可以廣泛應用 。

點解檢測心臟猝死咁難？

心臟驟停同心臟病發（心肌梗塞）根本唔同。心臟病發係因為血管堵塞，令心臟肌肉缺氧；心臟驟停就係電路故障——心臟嘅電流突然停止，毫無先兆 。

病人死得太快，要研究心臟喺出事前幾秒嘅狀況幾乎冇可能。驗屍可以顯示結構問題（例如血管堵塞、疤痕組織），但正如研究人員所講，「死亡前嘅實際功能運作仍然係一個黑盒」。

而家嘅黃金標準風險測試——量度左心室射血分數（LVEF），即係心臟每次跳動泵出嘅血液百分比——只係一個粗略嘅工具。好多死於心臟驟停嘅人，LVEF 係正常嘅；相反，好多 LVEF 低嘅人，從來冇試過心臟驟停 。傳統方法錯過咗大部分真正需要幫助嘅人。

實際結果同傳統檢測比較

指標	標準 LVEF 測試	AI 模型（高危組別）
高危組別每年心臟猝死率	4.6%	7.0%
同 LVEF 嘅重叠	—	AI 標記出嘅高危患者，大部分射血分數正常——AI 搵到一個獨立嘅風險訊號
發現嘅新波形	無	aVL 導聯嘅模糊 R 波末端，過去從未被記載

AI 識別出嘅高危組別大約佔篩查人口嘅 2.2%。呢個組別 7.0% 嘅每年心臟猝死率，同臨床試驗中用於決定植入式除顫器（ICD）嘅風險門檻相若，甚至更好 。呢個意味住，有好多依家被指引忽略嘅病人，其實可能適合安裝呢啲救生裝置。

下一步係乜？

研究指明咗三個明確嘅下一步方向：

1. 臨床上用來決定裝唔裝除顫器： 心電圖平價、無創傷性，幾乎全世界每間診所都有。呢個 AI 模型可以幫醫生決定邊個需要植入心臟除顫器（ICD）。正如 Obermeyer 所講：「如果你知道自己係會突然死嗰班人，你一定會去搵心臟科醫生，裝返個除顫器。問題係，醫生冇辦法喺太遲之前知道邊個需要裝。」

2. 開拓新的生理學理解： AI 喺冇人教佢睇乜嘅情況下發現嘅新波形，開闢咗一個全新嘅研究方向。搞清楚 aVL 導聯模糊 R 波背後嘅確切電機理，可以揭示點解某啲心臟會突然失靈。Obermeyer 話：「我哋唔單止可以做出更好嘅決定，仲可以開始了解呢啲病人喺心跳停止之前，實際上發生緊咩事。」

3. 廣泛應用前要進行前瞻性臨床試驗： 雖然模型喺三個國家嘅外部驗證結果強而有力，但喺正式進入常規臨床應用之前，仍然需要通過前瞻性臨床試驗嘅考驗。研究團隊嘅工作展示咗一套嚴謹、跨族群驗證嘅方法，令到呢個發現尤其令人期待 。