AI助力科研突破：全新技术可预判心脏骤停高危人群
每年逾30万人因心脏骤停离世，这种疾病源于心脏电系统在无预警情况下发生功能异常。研究团队借助瑞典44万余份心电图数据，融合死亡登记信息，构建人工智能模型解析心脏电流形成的峰值与波形。结果显示，该算法对心电图的判读效果超越了传统临床检验手段。
此类突发疾患可致使高龄高危人群及无心脏病既往史的年轻运动员猝然离世。尽管植入式除颤器能通过电击施救，但判定哪些人群真正需要该装置仍充满未知。
加州大学伯克利分校的科研团队运用一项可能改写规则的利器，于心电图内捕捉到一类此前未被察觉的信号，能够更精准地筛查出心脏骤停发作前的高危个体。
研究人员采集瑞典逾44万份心电图，配合死亡证明资料，训练人工智能模型分析心脏电流产生的尖峰与波形。他们将健康群体、高危病患以及后续发生心脏性猝死人员的检测数据导入模型，直至系统掌握猝死人群的波形特征。随后数年间，团队运用美国及台湾数千例其他患者档案对该模型展开验证。
研究表明，该算法的心电图解析能力优于常规临床检测——后者测算心脏ejection fraction指标。这些检测划定的高危群体年猝死率为4.6%。而人工智能系统甄别的另一高危群体年猝死率高达7%——每年涉及数以千计的患者，其中绝大多数依现行标准属低危范畴。
换言之，该模型发现了规模更大的高风险群体，并能更准确预判猝死发生对象——全部依托全球医疗机构普遍配备的影像资源。
该成果今日刊载于顶级学术刊物《自然》，预期可帮助医师更精准识别需植入体内除颤器的患者。同时，这也为深入探究人工智能工具揭示的生理机制开辟了路径，该机制似乎与心脏突发致命性异常搏动存在关联。
"医疗抉择极为艰难，这正是人工智能令我振奋之处，"加州大学伯克利分校公共卫生学院副教授、课题负责人齐亚德·奥伯迈耶表示。"我们不仅能优化决策质量，还能在患者心脏骤停发生前洞悉其体内正在经历的变化。"
心肌梗死由心肌供氧不足引发，而心脏骤停则是心脏电活动骤然终止。心肺复苏与自动体外除颤器电击可挽救生命，但约九成院外心脏骤停患者于数分钟内死亡。
奥伯迈尔将猝死视为医学领域最棘手的谜题之一。由于死亡来得猝不及防，极难探知心脏停跳前内部的运作状况。尸检可揭示部分心脏结构细节，如血管阻塞或组织硬化。但对急诊医师奥伯迈尔而言，心脏临终前的实际运转情形依旧成谜。其研究领域横跨机器学习、医学与卫生政策的交叉地带。
奥伯迈耶指出："这一难题既令人痛惜，又极其适合人工智能介入，因我们实则具备解决之道。若能预知猝死风险，患者将主动求诊心内科，接受除颤器植入。症结在于，医师难以在错失良机前锁定需植入除颤器的人群。"
识别高危患者的主流方式是测量心脏每次收缩的射血量。若该数值低于特定临界值，患者或具备植入式除颤器的适应症。
此项检验要求受检者接受更系统的医学评估，而绝大多数罹难者根本无从知晓自身需要评估。此外，所谓高风险患者中，三分之二的植入装置最终从未激活。这意味着患者要承受侵入性强、费用高昂的治疗，以防范可能永远不会出现的危急状况。
与此同时，每年数以万计不知情者因未能认知自身风险而殒命。
奥伯迈耶坦言："若能及早识别，部分死亡本可避免。大量猝死悲剧发生，若拥有更优的人工智能筛查工具，这些生命原本能够挽回。"
为搭建并验证人工智能模型，奥伯迈耶及其团队动用了三套独立数据源。
首先，团队借助瑞典统一医疗系统六年间扫描数据训练模型，识别出可能与死亡证明相吻合的关键波形模式。继而，他们采用圣地亚哥某医院系统两年间的去标识化心电图数据，以及台北的独立数据集完成算法校验。
"卓越的人工智能植根于优质数据，"奥伯迈耶说道，其亦任职于加州大学旧金山分校与加州大学伯克利分校联合设立的计算精准医疗项目。"遗憾的是，类似本研究所用数据极难获取。这正是当下临床AI应用凤毛麟角的症结所在。"
奥伯迈尔透露，汇聚本研究全部数据耗时约十年，涵盖其联合创立的两个机构——蒲公英健康组织与夜莺开放科学组织——的工作积淀，二者均处于人工智能与医学研究的交汇前沿。
"在伯克利深造的一大裨益在于，"奥伯迈耶说，"你能够投身这些需要恒心与毅力的课题，继而——寄望——在终成正果之际收获丰硕回报。"
该项目的后续阶段业已展开。奥伯迈尔正与瑞典、台湾及美国医疗体系协作，将该算法嵌入医院心电图数据库。针对标记为高风险的扫描结果，医师将告知患者，并提供佩戴持续监测心脏贴片的选项。这些数据将助力研究人员深化对心脏内部生理机制的认知，进而明确与风险攀升相关的信号。甚至可能推动植入潜在的生命守护型体内除颤器。
奥伯迈尔还搭建了专属网站，有意评估自身风险者可提交基础信息与电子邮箱，以便研究团队在人工智能工具更广泛推广后联络进行心电图分析。
除协助医患优化决策外，奥伯迈耶对人工智能促进医学科学进步的效用持积极态度。
"这些工具还将催生全新的科研范式，"奥伯迈耶说，"思及此研究方法的缘起，着实令人振奋。"
参考文献
An ECG biomarker for sudden cardiac death discovered with deep learning