从普通 ECG 中发现心源性猝死风险标志物

AI 从常规心电图中找到新的风险线索,并将模型判断对应到可观察的波形变化。

Nature
心曜医疗 · 行业洞察解读发布 约 3 分钟阅读
常规 12 导联心电、深度学习预测与生成式波形解释的研究路径示意
心曜医疗原创研究路径示意。波形为合成示意,非患者记录,也不描绘论文发现的具体生物标志物。

2026 年 6 月 24 日,《Nature》发表一项研究:团队将常规 12 导联心电图与死亡登记、电子病历关联,利用深度学习寻找心源性猝死的风险信号。结果提示,心电波形可能提供超出左心室射血分数(LVEF)的预测信息,为进一步心脏评估和风险分层提供新的研究方向。

从风险预测走向波形解释

研究纳入瑞典一个区域医疗系统的 441,614 份心电图,并在分析前按患者划分开发数据与独立测试数据。测试集在模型开发期间保持封存,用于检验模型对未见病例的预测能力。主要预测目标为心电检查后一年内的心源性猝死。

团队用生成式模型逐步改变低风险心电波形,观察哪些形态变化会使模型预测的风险上升。一个具体发现是:生成的高风险波形中,aVL 导联 R 波末段出现钝化,下降部分变得平缓。研究进一步量化 R 波峰值至 QRS 波群结束之间的电压变化,并在临床数据中检验其与风险的关联,为理解模型识别的信号提供了可观察的线索。

发现低射血分数之外的风险

在瑞典独立测试集的主要分析中,模型预测一年内心源性猝死的 AUROC 为 0.872,这一指标衡量模型区分风险的能力。按心电记录分析,约 2.2% 被归为高风险,对应的一年内猝死发生率为 7.0%;模型识别的高风险患者中,86.1% 未被低 LVEF 指标标记。

研究还在美国和中国台湾数据中开展外部验证,分别评估室性心动过速或心室颤动,以及心律失常所致心脏骤停。这些结果为风险信号在不同人群中的应用提供了支持,比较时需结合各自的终点定义。

团队也从临床 12 导联心电记录中分别提取单个导联训练模型,探索单导联预测的潜力。研究仍需在实际可穿戴设备及其采集条件下验证。

风险提示能否进一步改善结局

这项工作属于回顾性预测研究,波形与风险的关联不能直接确定因果机制。死亡证明中的猝死分类及高风险阈值仍需检验;除颤器获益分析也属于观察性结果,不能证明按 AI 评分选择植入对象能够降低死亡。

临床转化需要前瞻性研究,将风险提示后的复核、转诊和随访纳入评价,同时观察新增检出、误报负担与患者结局。

行业观察

心曜医疗编辑评论心电风险识别的价值,需要在后续复核与随访中体现。面向心血管长期管理,值得关注的是风险提示如何进入医生工作流程:结合病史及其他检查进行复核,安排进一步评估,并在随访中记录处置与结局,让算法提示形成可追踪的临床信息。

论文与资料

Obermeyer Z, Schubert A, Ross J, et al. An ECG biomarker for sudden cardiac death discovered with deep learning. Nature 655, 210–218 (2026).
DOI:10.1038/s41586-026-10674-6

阅读研究原文

论文首次在线发表:2026 年 6 月 24 日。本文依据原文及其研究范围撰写,行业观察为编辑评论。

说明:本文仅展示近期科研里程碑的部分进展,所述论文由外部研究团队发表,并非心曜医疗发表。心曜医疗仅作资讯整理与解读,研究成果归原作者及所属机构。

关键词心电 AI猝死风险风险分层

分享这篇文章

与临床及科研同仁交流