AI从44万份心电图读出猝死信号,登上《自然》
2026年11月16日,多家中外媒体报道了同一项研究:加州大学伯克利分校团队用人工智能分析瑞典超过44万份常规心电图,找到一种此前未被医学文献记录的微小电信号,据此筛出的高危人群年死亡率达到7%,而现行超声筛查方法标记的高危人群为4.6%。论文以《An ECG biomarker for sudden cardiac death discovered with deep learning》为题发表于《自然》。这项研究最值得关注的地方,不是AI又多了一项诊断能力,而是它把一件已经存在了几十年的救命手段,重新对上了人。
这件事为什么重要:有解药,却没找到该吃药的人
心源性猝死与心肌梗死常被混为一谈,其实病根完全不同。心梗是冠脉血管堵塞、心肌供血中断;心脏骤停则是协调心跳的电信号突然失灵,心脏无法有效泵血,几分钟内就可能致死。院外发生的心脏骤停,约九成患者未能存活,其中既有患有心血管病的老年人,也有看起来健康、无病史的年轻运动员。仅美国每年就有超过30万人死于心脏骤停。
除颤器是解药,筛选却是黑箱
植入式心律转复除颤器可以在恶性心律失常出现时释放电击,挽救生命。问题出在“谁该装”这一步。临床上最常用的判断依据是左心室射血分数,即每次收缩心脏泵出血液的比例,需要通过超声心动图测量。这个指标有两处硬伤:其一,很多最终猝死的人从未做过这项检查,或者做了但结果正常;其二,大约三分之二的植入设备终生没有触发过电击。结果是双重的浪费——一部分人承受了侵入性手术与费用,另一部分人则在毫无预警的情况下离世。奥伯迈耶的说法很直白:如果知道自己是会倒下的人,你早就会去装一台除颤器,问题是医生在此之前看不出来。
常规心电图:便宜、普及、却没有标志物
心电图在医院里几乎人手一份,成本低、采集快,是全球医疗机构最普遍的基础检查之一。但一百多年来,心内科医生反复研读波形,始终没有找到能够稳定提示猝死风险的心电图特征。这正是深度学习可以切入的空隙:它不依赖人类预设的观察维度,而是从海量波形与结局的配对中自行归纳规律。
还有一个现实层面的原因:普通门诊与急诊每天产生海量心电图,绝大多数只被通读一遍、看有没有明显异常,随后归档。这些图像里同时记录了采集时点、导联排布、心率与心律状态,信息密度远高于医生逐条比对所能利用的程度。把心电图当作筛查载体,本质上是对既有数据的一次再开发,增量成本几乎为零。
研究是怎么做的:44万份心电图与死亡证明的配对
数据:瑞典六年,十八万患者
研究团队使用瑞典医疗系统六年积累的超过44万份心电图,覆盖约18万名患者,并与全国死亡证明数据一一关联。训练集里既有健康人的心电图记录,也有已知心脏病患者,以及后来因心脏原因死亡者的记录。按论文口径,这是该领域首批人群规模级别的数据集之一。模型结构本身并不新奇:一个64层的残差神经网络,奥伯迈耶自己形容它是“大家都在用的苦力模型,没什么特别,特别的是它学习用的数据”。
验证:圣地亚哥与台北的独立数据
为避免模型只是记住了瑞典人群的特征,团队在美国圣地亚哥的医院系统和台北的医院,用完全独立的患者数据做外部验证。在两个不同人群、不同设备来源的数据上,预测能力都保持稳定。这一点比数字本身更重要——它说明模型捕捉的可能是跨人群存在的生理现象,而不是某地数据采集习惯的产物。
验证设计里还有一处容易被忽略:团队并没有把模型直接部署到临床,而是先看它在完全不同医疗体系下的排序能力。对一个只输出风险高低、不输出诊断结论的工具来说,这种排序是否稳定,比绝对准确率更贴近真实用法。
结果:2.2%的高危池,7%的年死亡率
在瑞典数据上,模型标记出的高危人群约占患者的2.2%,这群人一年内心源性猝死的发生率达到7%。作为对照,按射血分数被判定为高危的患者,年发生率为4.6%。更关键的数字是:被算法标记的高危者中,超过86%并没有被传统指标标记出来。按现行指南,这些人很可能在门诊得到“心脏功能正常”的结论后被送回家,不会获得除颤器评估的机会。
| 对比维度 | 传统射血分数筛查 | 伯克利AI心电图模型 |
|---|---|---|
| 所需检查 | 超声心动图,需专项评估 | 常规心电图图像,医院普遍采集 |
| 高危人群年猝死率 | 4.6% | 7% |
| 高危人群占比 | 按指南阈值划定 | 约2.2%的患者 |
| 与传统标记重叠 | 基准 | 逾86%为传统方法漏掉者 |
| 可覆盖人群 | 多数猝死者生前未做过 | 每一份留存的心电图都可复用 |
| 主要局限 | 假阳性、假阴性并存 | 机制未明,尚无干预对照试验 |
AI到底看见了什么:aVL导联里的一处“拖影”
发现“模型有用”和“弄清模型在看什么”是两件事。研究团队做了一步在医学AI里少见的工作:他们训练了第二个生成式模型,任务是把一份真实的低风险心电图,逐步改写成第一个模型眼中的高风险版本。这样就能把抽象的预测分数,翻译成心内科医生可以亲眼看到、亲手比对的波形变化。
大部分特征并不陌生
被改写出来的高危心电图中,许多变化医生本来就熟悉,比如QRS复合体形态的改变、复极段的细微差异。这些是人类早已记录过的知识,模型只是重新赋予了它们权重。
一处从没被写进文献的细节
真正新的是aVL导联上的一个细微“拖影”:从R波峰值到QRS复合体末端之间,波幅的变化呈现出一种此前未被描述过的形态。研究者用平均绝对差等定量方式把它固定下来,使这个特征可以从图像中直接计算。在《自然》同期配发的评论中,生物医学工程学者赖昌欣认为这正是该工作的价值所在:心电图已存在一百多年,被几代心内科医生反复审读,而AI从中提取出了新的知识。
可能的机制:心肌纤维化
对部分高危患者,团队还拿到了心脏磁共振影像。影像显示这些人心肌存在细微、弥漫的纤维化,即与心律失常相关的瘢痕组织,会干扰电信号在心肌中的传导,与生成模型造出的波形相吻合。不过奥伯迈耶强调,纤维化这条线索只是初步的,尚未经活检确认,也还不能用来指导治疗决策。
为什么说这是“翻译”而不只是“预测”
可解释性在临床里的真实分量
医疗AI长期面临一个信任问题:模型给出一个分数,医生却不知道为什么,也就不敢拿它做侵入性治疗的决定。这项研究把黑箱预测转化成一个可以画在纸上的心电图波形特征,等于给了医生一个复核的抓手。心内科医生看到这类心电图时,可以判断“这里确实有点不对”,而不是只能接受一个不透明的概率。这在流程上比提高几个百分点的准确率更有意义。
换句话说,这项研究把AI从结论提供者变成了线索提供者。医生仍然做最终判断,但依据多了一条可见的证据。这种分工在监管上也更清晰:工具不直接开处方、不直接决定手术,只负责把被忽视的少数个体推到医生眼前。
从图像到结论的链路
另一个容易被忽略的工程细节是:算法可以直接处理医院常规采集的心电图图像,而不需要重新采集原始数字信号。全球大量医院的心电图仍以图像或打印件形式归档,这意味着该方法的潜在覆盖面远大于需要专用设备和高通量计算的新检查。对资源有限的机构,这种“复用既有数据”的路径,比引入一套新的诊断设备现实得多。
需要注意的是,能读图像并不等于读什么都一样。图像的分辨率、拼接方式、导联标注规范都会影响模型输入。若要在不同品牌的设备与不同地区的归档系统中推广,前处理流程必须经过专门调校,否则模型的表现可能只在论文的场景里成立。
从预测走向预防:还要走多远
正在进行的三地合作
奥伯迈耶团队目前正与瑞典、中国台湾地区以及美国的医疗机构合作,把算法接入医院的心电图数据库。被判定为高危的患者,将由临床医生跟进,并可能佩戴可穿戴监测设备,持续记录心电活动。一方面,连续记录能帮助研究者弄清究竟是哪些生理变化产生了模型识别的特征;另一方面,也能为是否植入除颤器提供更多证据。
关键的问题还没回答
需要说清楚的是,这项研究证明的是“预测更准”,而不是“按它做决定能少死人”。要回答后者,需要前瞻性的干预试验:把患者随机分配到AI指导组和常规组,看两组的死亡率是否真的出现差异。西达赛奈医学中心心脏骤停预防中心主任苏米特·丘格在评论中提醒,从患者照护角度看,在把这类发现用于筛选一级预防除颤器植入者之前,还有大量研究要做。这一提醒应当被认真对待,而不是被“登顶《自然》”的光环冲淡。
从公共卫生角度看,即便试验成功,还要回答成本问题:一份心电图的自动判读花多少钱、由谁付费、误报导致的额外检查如何核算。这些问题决定了技术能否走到基层,而不是只停留在少数大型医学中心。
数据才是真正的瓶颈
研究团队用将近十年时间才凑齐所需的数据。奥伯迈耶的判断是,获取大规模、高质量、并与结局准确关联的医疗数据,依然是临床AI最大的瓶颈之一。“好的AI始于好的数据。可惜我们研究用的这类数据极难获得,这也是目前临床AI产品不多的一个重要原因。”这句话比任何算法细节都更能解释,为什么看似简单的“心电图加深度学习”组合,直到2026年才出现这样的结果。
对临床实践意味着什么
短期:筛查入口前移
最现实的应用场景不是立刻替代射血分数,而是在已有的心电图流程上增加一层风险提示。体检、急诊、术前评估、门诊初诊都会留下心电图,如果系统能自动标出少数高风险个体,提示医生进一步做心脏评估,就能在没有新检查项目的情况下扩大筛查面。对那86%被传统方法漏掉的人,这是从“不知道需要检查”到“被发现需要检查”的关键一步。
不过,筛查面扩大也会带来新负担:更多高危提示意味着更多心脏超声、更多门诊挂号与更多焦虑。如何在获益与过载之间取得平衡,是医院管理层面必须同步设计的问题,而不是等工具上线后再补。
中期:可穿戴与连续监测的配合
智能手表和贴片式监测设备让连续的心电图记录变得廉价,但它们产生的数据量远超医生的人工判读能力。如果风险模型能够适配这类记录,就有机会把一次性的门诊心电图筛查变成持续监测。不过目前尚无证据表明单导联消费级设备与医用十二导联心电图具有同等效力,这一步需要专门的验证研究,不能想当然地外推。
长期:从风险分层到机制研究
所谓从分层走向机制,具体有两层。第一层是把模型识别的波形特征作为随访观察的中间终点,用于判断某种干预是否真正改善了电传导状态,而不必等到猝死这样的硬结局出现。第二层是反过来用特征解释模型:当某一类波形变化在特定人群中反复出现时,它能提示研究者去哪里找病因,比如纤维化的分布、传导系统的慢性损伤,或者基因层面的易感因素。这两层都还停留在假设阶段,但它们说明了AI在医学研究中的合理位置——不是替代医生做决定,而是提供人类无法手工穷举的线索,再由临床与基础研究去证伪或证实。
更深远的意义在于机制。如果那处aVL导联的拖影确实对应心肌纤维化与电传导碎裂,那么它就不仅是预测指标,还可能成为药物研发与随访观察的中间终点。
AI在这里扮演的角色,从更准的预测者变成了提出假设的研究助手,后者对医学的长期价值可能更大。
需要保持的几点清醒
数字要读懂,不要读大
7%与4.6%的对比很抓眼,但它描述的是特定人群中被标记为高危者的年发生率,不等于“装了设备就能救人”。同时,2.2%的高危池意味着模型需要在大量普通心电图中挑出少数人,任何假阳性都会带来不必要的焦虑和进一步检查。临床上如何设定阈值、如何与射血分数结合使用,是需要本地化调整的工程问题,而不是论文能直接给出的答案。
更细一层看,模型的输出是一个连续的风险分数,阈值定在哪里,决定的不是模型好坏,而是医生的取舍偏好:定得严,漏掉的人多;定得松,被拉去做进一步检查的人多。论文给出的是某个阈值下的效果,真实部署时必须结合本院的检查资源与随访能力来选点。把论文里的7%直接当成宣传口径,容易把复杂的权衡简化成一句口号。
人群差异仍待检验
外部验证覆盖了美国与中国台湾地区的数据,但不同地区的心电图设备、采集规范、人口结构与基础疾病谱差异都可能影响表现。对于国内医院,尤其是基层机构,若要引入这类心电图风险模型,需要先做本地数据的回顾性验证,再看前瞻性效果。跳过这一步直接上线,风险不小。
尤其是老年人与合并多种慢病者,心电图的基线差异更大,模型在高龄人群中是否同样稳定,论文并未给出充分的分层报告。对这类人群,经验丰富的心内科医生的整体判断仍然不可替代。
隐私与数据的合规边界
该项目依赖于把个人心电图与死亡证明、病历长期关联,这在瑞典的全人群登记体系下可行,在数据治理更分散的地区难度更大。任何类似应用都必须回答清楚数据授权、去标识化、二次利用边界的问题。这不是技术细节,而是能不能规模化落地的前提。
给普通人的三条实用建议
别把猝死当成无法预防的意外
心源性猝死的公共叙事往往强调突发与意外,但对个体而言,能做的事并不少:控制高血压、糖尿病、血脂异常,避免长期熬夜与过量饮酒,出现心悸、晕厥、运动中异常胸闷等情况时及时就医。
此外,规律运动前的体检不应被省略,尤其是有吸烟史或代谢指标异常的中年男性。这些举措不能直接降低心电图上那个被AI发现的信号,但能减少诱发恶性心律失常的基础风险,两者是叠加关系,而不是替代关系。此外,任何预警工具的价值都建立在及时就医之上:如果筛查结果提示高风险,却因为害怕或拖延而不去做进一步评估,工具本身也就失去了意义。
家族中有年轻猝死或遗传性心律失常病史的人,更应主动告知医生并做针对性评估。
心电图别丢,积累比单次更有价值
体检报告里的心电图往往是单次快照,但心电图的比较价值在于纵向变化。把历次心电图妥善保存,就诊时带给医生,可以为任何基于波形变化的判断提供基础。这项研究提示的重要一点是:最有用的信息,可能就藏在那些被当作“正常”而归档的旧图里。
等工具落地,而不是等它救命
研究团队已上线一个网站,收集有意评估自身风险者的基本信息,待工具正式推广后可能联系提供分析服务,但这不是诊断,也不构成就医建议。对公众来说,这项成果目前的价值是理解方向:未来的心脏风险评估,可能不再依赖一项昂贵的新检查,而是从你已经做过的常规心电图里多读出一点东西。
常见问题
这项研究是谁做的,发表在哪里?
由加州大学伯克利分校公共卫生学院副教授齐亚德·奥伯迈耶领衔,合作者包括亚历山大·舒伯特、詹姆斯·罗斯、森迪尔·穆莱纳森与马库斯·林曼,论文于2026年6月24日发表于《自然》,中文媒体在11月16日集中报道。
AI用多少数据训练,数据来自哪里?
使用瑞典医疗系统六年收集的超过44万份心电图,覆盖约18万名患者,并与全国死亡证明数据关联;外部验证使用美国圣地亚哥和中国台湾地区台北的独立患者数据。
7%和4.6%分别代表什么?
分别是被AI模型和传统射血分数筛查标记为高危的人群,一年内心源性猝死的发生率。7%高于4.6%,说明模型选出的高危人群风险更集中。
为什么说它比传统方法发现更多人?
被算法标记的高危者中,超过86%没有被传统指标标记,其中不少人在现行指南下属于低危。这意味着常规心电图可能补上传统筛查的大面积漏网。
AI在心电图上究竟看到了什么?
团队用生成式模型把低风险心电图改写成高危版本,发现多数特征是医生熟悉的,但aVL导联上存在一处文献未记载的细微波形改变,可能与心肌纤维化造成的电信号碎裂有关,机制尚未证实。
现在能用它来决定要不要装除颤器吗?
还不能。研究证明的是预测更准确,尚缺少证明“按模型决策能降低死亡率”的前瞻性试验。多位未参与研究的专家明确指出,用于指导一级预防植入之前仍需更多研究。
普通人现在可以测吗?
不能作为临床检测使用。研究团队仅上线了信息登记网站,用于未来工具推广后的联系,不能替代就医评估。有症状或家族史者应直接到心内科就诊。
这项研究最大的限制是什么?
一是生理机制未完全确认;二是模型在瑞典数据上训练,跨人群表现虽经外部验证,仍需本地化检验;三是高质量、与结局关联的医疗数据极难获取,这是临床AI普遍面临的瓶颈。
为什么说心电图是理想的筛查载体?
心电图成本低、采集快,几乎每家医院都在做,且已有大量历史数据可复用。相比需要专项评估的超声,它能把风险筛查的入口前移到每一次常规就诊。















暂无评论内容