AI区分心脏骤停类型，提升急救精准度
AI预测心脏骤停类型
同样是心脏骤停，AI如何分辨「可救」与「难救」？
导读：心脏骤停每年夺走无数生命，但并非所有心脏骤停都一样。本文介绍2024 年发表于《Circulation》子刊的一项突破性研究——科学家用 AI 技术首次成功区分两种最常见的心脏骤停初始心律，为未来精准急救奠定了基础。
⚡ 心脏骤停：并非都是「可以除颤」的那种
当一个人突然倒地、心脏骤停时，你第一反应可能是：「快用AED！快除颤！」
这个直觉很正常——毕竟多年来，心肺复苏培训一直强调「可除颤心律」是救命关键。
但现实却并不乐观：
·40年前，心室颤动（VF）占心脏骤停的 70-80%，可以用 AED 电击复律。
·如今，无脉性电活动（PEA）和心脏停搏已占到 70-80%——而这两种情况，AED 根本打不着。
·更令人担忧的是：PEA 的出院存活率仅约 5%，而 VF 约为 30%。
心脏还在发出电信号，但肌肉根本不收缩——这就是PEA。电除颤对它无效，而我们至今没有专门的救治手段。
研究背景：为什么以往的研究「找不到真相」？
要研究PEA，首先要准确记录心脏骤停发生那一刻的「初始心律」。
问题在于：从拨打120 到急救人员赶到，通常需要 6-10 分钟。在这段时间里：
·VF 可能已自行转为 PEA 或心脏停搏；
·急救人员记录的心律，往往已经不是发病时的「初始心律」；
·以往几乎所有相关研究，都受到这一「记录延迟」的偏差影响。
那么，怎样才能获得「真实的初始心律」？
研究创新：用「急救人员在场目击」破解难题
来自美国西达·赛奈医疗中心的 Holmstrom 等研究团队找到了一个绝妙的切入点：
当心脏骤停恰好发生在急救人员面前时，响应时间为零——记录的第一条心律，就是真正的初始心律。
研究团队从两个持续20年的前瞻性心脏骤停社区数据库中，筛选出：
·内部训练队列：俄勒冈州421 例急救人员目击 SCA（Portland 大都会区，PEA 249例 vs VF 172例）
·外部验证队列：加州文图拉县220 例急救人员目击 SCA（PEA 170例 vs VF 50例）
研究共纳入56 个临床变量（人口学信息、病史、用药、发病前症状等），输入 AI 模型进行分类训练。
AI 模型：XGBoost 极梯度提升决策树
研究采用的AI 算法是极梯度提升（XGBoost）——一种在医疗预测领域屡获佳绩的机器学习模型。
它的优势在于：
·无需对数据结构进行严格假设，擅长捕捉非线性复杂关系；
·内置特征重要性分析，可解释「哪些因素最关键」；
·结合SHAP（Shapley 加法解释）方法，能直观展示每个变量对单个患者预测结果的正负贡献。
核心结果一：AI 模型性能（AUC）
加入详细临床变量后，模型表现显著优于仅用人口学信息：
验证队列
仅人口学变量
AUC
加入临床变量后
AUC
内部队列（俄勒冈n=421）
0.52
0.68（95% CI 0.61–0.76）★
外部验证（文图拉n=220）
0.56
0.72（95% CI 0.59–0.84）★
★ 临床变量加入后 AUC 显著提升（DeLong 检验 p<0.001），与常用临床模型（如 CHA₂DS₂-VASc 评分 AUC 0.63-0.69）处于同一水平。
核心结果二：PEA vs VF 关键鉴别因素对比
这是本研究最有临床价值的发现。SHAP 分析揭示了区分两种心律的关键临床特征：
对比维度
PEA（无脉性电活动）
VF（心室颤动）
治疗方式
无特异性治疗⚠️
电除颤可救治✅
出院存活率
约5%（极低）
约30%（相对较好）
AI核心预测因素
贫血/ 高龄 / 体重偏高 / 呼吸困难
冠心病史/ 胸痛 / 年龄较轻
发生占比趋势
逐年升高，现占70-80%
逐年下降（40年前占主导）
可能机制
低氧血症/睡眠呼吸暂停 /缓慢性心律失常
心肌缺血/急性冠脉事件触发
SHAP 分析进一步证实，上述四大特征（冠心病、胸痛、贫血、年龄）在男女患者中的重要性和方向高度一致。
机制解读：为什么PEA 和 VF 如此不同？
PEA 侧的解释
·贫血→ 低氧血症：贫血是 PEA 的独立预测因子，可能通过加重组织缺氧触发 PEA。
·高龄+ 慢性肾病：PEA 更多见于年老体弱、合并症多的患者，反映全身健康状况整体较差。
·体重偏高→ 睡眠呼吸暂停：肥胖可能经由夜间缓慢性心律失常触发 PEA（而非 VF）。
·呼吸困难：是PEA 的前驱症状，提示心肺储备不足。
VF 侧的解释
·冠心病+ 胸痛：急性冠脉缺血是 VF 的经典触发器，两者紧密关联，这一点与既往文献高度吻合。
·年龄偏轻：年轻患者中，冠脉斑块破裂和急性心梗是主要机制，更易引发VF。
·身材较高预测VF：可能与心房颤动遗传风险有关（Mendelian Randomization 研究证据）。
这项研究的重要意义
·首次基于「真实初始心律」建立AI 模型：克服了以往所有研究都面临的「记录延迟偏差」，结果更可靠。
·发现PEA 的新型临床标记：贫血、体重等过去未受重视的因素被证实重要，为新治疗靶点研究提供方外-部验证成功：在人口构成差异显著的另一地区队列中表现稳定，证明模型具备一定泛化能力。
·为个体化急救提供雏形：未来若能在院前识别PEA 高风险人群，可提前准备特异性干预手段。
当然，模型目前精度尚属「中等」（AUC~0.7），研究者明确指出尚不足以直接用于临床决策。但这是迈向「精准心脏急救」的关键一步。
对急救培训的启示
·AED 并非万能——面对 PEA 心脏骤停，除颤无效，高质量 CPR 和识别可逆病因（「5H5T」）才是核心。
·识别高危人群特征有助于提升施救针对性：老年患者、有贫血或呼吸困难前驱症状的患者，更可能是PEA 类型。
·AI 技术正走进急救科学：未来的急救系统可能整合 AI 辅助决策，帮助急救人员更快识别心律类型、制定个体化复苏策略。
写在最后：每一次心脏骤停都是生死之战。科学在不断进步，急救知识也在更新迭代。关注我们，第一时间获取急救医学前沿资讯，守护每一个生命的最后防线。
参考文献
Holmstrom L, Bednarski B, Chugh H, et al. Artificial Intelligence Model Predicts Sudden Cardiac Arrest Manifesting With Pulseless Electric Activity Versus Ventricular Fibrillation.Circ Arrhythm Electrophysiol.2024;17:e012338.
DOI: 10.1161/CIRCEP.123.012338