AI 發現全新心電圖訊號，比標準檢測更準確預測心因性猝死

每年，全球數十萬人死於心因性猝死（sudden cardiac arrest）——心臟電氣系統在毫無預警下停止運作，且許多死者生前並無已知心臟問題，也從未有過任何徵兆。長期以來，醫師們一直缺乏可靠的方法來找出誰是真正的潛在危險族群。如今，加州大學柏克萊分校（UC Berkeley）的研究團隊利用人工智慧（AI），從常規心電圖（EKG）中發現了一個過去無人察覺的微弱訊號，有望徹底改變這個局面。

研究團隊的發現

由 UC Berkeley 公共衛生學院 Ziad Obermeyer 教授領導的研究團隊，以深度卷積神經網路分析了超過 44 萬份來自瑞典的 12 導程心電圖，並將這些數據與死亡證明進行比對。AI 從心臟的電氣活動中學習辨識人為判讀及所有標準臨床檢測都無法察覺的細微波形模式。它發現了一個前所未見的波形訊號：在 aVL 導程（lead aVL）中出現的「模糊（slurred）終末 R 波」（slurred terminal aspect of the R wave），這是一種過去醫學文獻中從未被描述過的微弱波形失真。

這個模型不僅僅是找到一個新的標記，而是找到了一個真正重要的關鍵指標。在 AI 定義的高風險族群中，每年心因性猝死的發生率達到 7.0%，相較之下，目前標準的「左心室射出分率（LVEF）」檢測所找出的最高風險族群，其年發生率僅為 4.6%。

模型的訓練與驗證過程

研究團隊在模型開發上採取了非常嚴謹的方法。他們將來自瑞典醫療體系的 44 萬多份心電圖與死亡證明數據配對，讓 AI 學習哪些波形模式最常發生在心因性猝死之前。深度學習模型分析的是完整的 12 導程訊號，而不是只有簡單的測量總結——這讓它能找出肉眼看不見、非線性的細微模式。

為確保這項發現並非只在瑞典成立，研究團隊在來自美國和台灣的數千份獨立病患記錄上進行了外部驗證。結果顯示，AI 的預測在不同族群與醫療體系中保持一致，為其通用性提供了強而有力的證據。

為什麼偵測心因性猝死如此困難？

心因性猝死（心臟電氣失靈）與心肌梗塞（心臟病發，血管阻塞）本質上完全不同。心臟病發是冠狀動脈阻塞導致心肌缺氧；而心因性猝死則是心臟電氣系統的故障——心臟的電流在不預警的情況下停止傳導。

因為病患死亡速度太快，要在事件發生前一刻研究心臟的狀態幾乎不可能。解剖時可以發現結構上的問題（如血管阻塞、心肌疤痕），但正如研究者所說：「心臟在死前的實際運作情況，仍然像個黑盒子。」

目前的黃金標準風險檢測——測量「左心室射出分率（LVEF）」，也就是心臟每次收縮所打出血液的百分比——其實非常粗糙。許多因心因性猝死而喪生的病患，其 LVEF 是正常的；反之，許多 LVEF 很低的人，卻從未發生過猝死。這套標準方法，終究錯過了大部分真正需要幫助的人。

與標準檢測的實際比較結果

指標	標準 LVEF 檢測	AI 模型（高風險族群）
高風險族群的年猝死率	4.6%	7.0%
與 LVEF 的重疊性	—	AI 標記的高風險族群中，大多數左心室射出分率正常——AI 發現的是獨立的風險訊號
發現的新波形	無	aVL 導程出現的「模糊終末 R 波」，過去從未被描述

AI 篩選出約佔人口 2.2% 的高風險族群。此族群 7.0% 的年猝死率，與臨床試驗中用來決定是否植入心臟除顫器（ICD）的風險閾值相當，甚至更高。這意味著許多原本被現行指引忽略的病患，可能因此成為植入救命裝置的候選人。

下一步發展

這項研究成果指向三個明確的發展方向：

1. 臨床應用於除顫器決策： 心電圖是一種便宜、非侵入性且在各大診所都有的檢查。AI 模型能幫助醫師判斷哪些病患需要植入心臟除顫器。Obermeyer 教授形容：「如果你知道自己就是那個會突然倒下的人，你一定會去找心臟科醫師，裝一個心臟除顫器。但問題是，醫師在一切都還來得及之前，根本看不出誰需要。」

2. 新的生理學理解： AI 在沒有人為指導的情況下，自己發現了新的波形——aVL 導程的模糊 R 波——這為醫學研究開啟了新的方向。若能了解導致此波形的確切電氣機制，或許就能找到 為什麼 某些人的心臟會突然失靈的答案。Obermeyer 說：「我們不僅能做出更好的判斷，還能開始真正了解這些病患在心臟停止前，到底發生了什麼事。」

3. 前瞻性臨床試驗： 雖然在三個國家的外部驗證已提供強而有力的證據，但模型在廣泛應用於臨床前，仍需經過前瞻性臨床試驗的考驗。研究團隊的工作展現了嚴謹、跨族群的驗證方法，這也是這項發現特別令人期待的原因。