在美國,每年有超過30萬人死於心臟猝死
。這種致命的突發狀況發生在心臟電信號系統突然失常、導致心臟停止泵血時。它既可能發生在患有已知心臟疾病的老年人身上,也可能發生在看似健康的年輕運動員身上。儘管植入式除顫
器可以預防部分此類死亡,但長期以來醫生始終難以判斷哪些患者最需要安裝這種設備。
如今,加州大學伯克利分校的研究人員在常規心臟掃描中發現了一個此前被忽視的預警信號,這一發現有望幫助醫生在致命事件發生前更容易地識別出高風險人群。
這一發現是通過人工智慧技術實現的,研究團隊使用了瑞典收集的超過44萬份心電圖數據對AI進行訓練。通過將這些掃描記錄中的電信號模式與死亡證明資訊進行比對,研究人員訓練出一套AI系統,使其能夠識別健康人群、已知存在心臟風險的患者以及最終因心臟猝死而死亡的人群之間的細微差異。
隨後,研究團隊利用來自美國和台灣地區的數千份額外患者記錄對該技術進行評估,測試這些模式能否在不同人群中可靠地識別出高風險個體。
AI發現標準檢測遺漏的隱藏心臟風險
研究結果表明,AI識別高危患者的能力比醫生通常依賴的傳統檢測方法更為有效。目前的篩查方法主要關注心臟每次收縮泵出的血液量,這一指標被用來評估患者是否可能從植入式除顫器中獲益。
使用這些傳統測量方法,醫生能夠識別出一組年度心臟猝死率為4.6%的患者群體。而AI系統識別出的群體年度死亡率則達到7%,這表明其在區分面臨嚴重危險的患者方面具有更強的能力。
值得注意的是,該算法還識別出了一個範圍更廣的高風險人群,其中包括數千名在現有醫療指南下通常不會被認為存在風險的個體。這些人中的大多數如果採用傳統方法評估,都會被歸類為相對低風險。
另一個重要優勢是,該AI系統可以直接處理普通的心電圖圖像,而這類圖像在全球各地的醫院和醫療機構中已經屬於常規收集項目。這意味著該技術有可能在不需要全新醫學檢測手段的情況下改善篩查效果。
這項研究成果發表在《自然》雜誌上,未來有望幫助醫生就哪些患者應該接受植入式除顫器做出更明智的決策。此外,這些發現還引發了一個有趣的科學問題:心臟內部究竟發生了怎樣的變化,才產生了AI所識別出的這些電信號模式?
「醫療決策真的非常困難,我認為這正是我對AI感到如此興奮的原因,」加州大學伯克利分校公共衛生學院副教授、該研究的主要作者齊亞德·奧伯邁耶說。「我們不僅能夠做出更好的決策,還能開始理解這些患者在心臟停止跳動之前體內究竟發生了什麼。」
為何心臟猝死如此難以預測
心臟猝死與心臟病發作不同。心臟病發作是由於心臟某部分的血流受阻或嚴重受限所致。而心臟猝死則是由協調心跳的電信號系統失常所引起的。
及時進行心肺復甦並使用自動體外除顫器進行電擊,有時可以恢復心臟的正常節律。然而,大約90%在院外發生心臟猝死的患者會在幾分鐘內死亡,這使得對高危人群的早期識別顯得尤為重要。
對於身為急診醫生、研究領域融合了人工智慧、醫學與衛生政策的奧伯邁耶而言,心臟猝死仍是醫學領域最令人沮喪的未解難題之一。
由於猝死患者往往毫無徵兆地死亡,研究人員觀察心臟停止前瞬間內部發生情況的機會十分有限。屍檢或許能發現血管阻塞、組織硬化或其他結構性異常,但無法完全揭示心臟在死亡前那一刻的功能狀態。
「這個問題之所以如此令人痛心,但同時也非常適合用AI來解決,原因在於我們已經掌握了應對這一問題的方法,」奧伯邁耶說。「如果你知道自己將是猝死者之一,你就會去看心臟科醫生,並植入除顫器。問題在於,醫生往往無法在悲劇發生之前判斷出誰真正需要這種設備。」
當前心臟風險篩查存在的問題
目前,醫生主要依賴于衡量心臟每次搏動時泵血效率的指標。心臟泵血功能低於特定閾值的患者,可能被視為植入式心律轉復除顫器的候選人,這種設備能夠在出現危險心律時發出電擊。
但獲取這一測量數據通常需要進行更全面的醫學評估。許多最終發生心臟猝死的人從未接受過此類檢測,因為他們沒有明顯的理由懷疑自己身處危險之中。
這種方法對於已被認定為高風險的患者而言也存在局限性。在這些患者中,大約三分之二的植入式除顫器從未需要真正進行電擊。這意味著許多人為了應對可能永遠不會發生的致命突發狀況,接受了昂貴且具有創傷性的手術。
與此同時,每年仍有數千名未被認定為高風險的人意外死亡。
「在這些人中,有一部分如果我們能及時知曉,本可以避免死亡的發生,」奧伯邁耶說。「有很多生命因心臟猝死而逝去,而這些死亡本是可以預防的,前提是我們擁有更好的AI工具來發現這些隱藏的風險。」
研究人員希望,通過識別更準確的預警信號,可以幫助醫生將預防性治療精準地提供給最可能從中受益的患者。
研究人員如何訓練AI識別致命心臟信號模式
開發這一算法需要來自世界不同地區的三組獨立醫學數據。
研究人員首先使用了瑞典統一醫療系統中六年的心電圖記錄。通過將這些掃描數據與死亡證明資訊相關聯,他們能夠研究後來發生心臟猝死的患者的電信號模式,並將其與其他患者的情況進行比較。
AI學會了識別記錄中那些似乎與風險增加相關聯的尖峰、波形及其他特徵組合。系統訓練完成後,研究團隊又用另外兩組數據集對其進行了測試:一組是聖迭戈某醫院系統兩年的匿名心電圖記錄,另一組是來自台北的獨立患者數據集。
這種跨國測試有助於研究人員評估該算法的預測能力是否能夠超越最初用於開發它的瑞典人群,在其他人群中同樣適用。
「好的AI始於好的數據,」同時也是加州大學舊金山分校與伯克利分校聯合計算精準健康項目成員的奧伯邁耶說。「遺憾的是,像我們這次研究所使用的這類數據非常難以獲取。這也正是當前臨床AI應用如此之少的重要原因。」
獲取並整理這些資訊本身就是一項龐大的工程。據奧伯邁耶介紹,數據集的組建工作耗費了大約十年時間,其中包括他本人參與創立的兩家機構——Dandelion Health和Nightingale Open Science——所做出的貢獻。這兩家機構都致力於通過改善數據獲取和人工智慧應用來推動醫學研究的發展。
「這是在伯克利工作的一大奢侈之處,」奧伯邁耶說。「你可以投入去做這些需要長期積累、進展緩慢的項目,然後——希望如此——在抵達終點時獲得豐厚的回報。」
從隱藏的心臟信號到挽救生命的治療手段
研究人員已經開始探索如何將這一系統應用於實際醫療場景。
奧伯邁耶正與瑞典、台灣和美國的醫療系統合作,將該算法引入醫院的心電圖資料庫中。目標是對現有的心臟掃描數據進行檢測,尋找風險升高的跡象,並識別出可能需要額外監測的患者。
按照這一設想中的方案,醫生會聯繫那些心電圖被AI評估為高風險的患者,並為他們提供佩戴一種可持續記錄心臟電活動的貼片設備的機會。
這些更長時間的記錄數據可能為揭示導致AI檢測到的預警信號的生物學過程提供寶貴線索。理解這些過程有助於研究人員解釋,為什麼某些心臟更容易突然出現致命的電信號紊亂。
對於部分患者而言,這些額外資訊最終或許能夠支持醫生給出植入除顫器的建議,從而有可能預防一次突發且原本意想不到的死亡。
奧伯邁耶還創建了一個網站,供希望了解自身風險的人們提供基本個人資訊和電子郵箱地址。研究團隊日後可以通過該網站聯繫他們,在相關技術更廣泛推廣應用後為其提供心電圖分析服務。
AI能否揭開人類心臟的更多秘密?
除了在預防心臟猝死方面的潛在價值之外,這一發現還凸顯出人工智慧如何能夠幫助科學家探究那些傳統方法難以攻克的醫學難題。
該算法並非僅僅識別出可能需要治療的患者,它還發現了研究人員目前尚未完全理解的心臟活動模式。對這些信號進行深入研究,或許能夠為揭示導致心臟猝死的電信號紊亂帶來新的科學見解,並有可能揭示出更多預防的機會。
奧伯邁耶認為,這種發現此前未被認知的生物學模式的能力,可能會成為AI對醫學領域最重要的貢獻之一,它不僅為相關研究開闢了新的方向,也將幫助醫生做出更好的決策。
「從這些工具中,也將誕生出一種全新的科學研究方式,」奧伯邁耶說,「想到這一切將如何展開,真的讓人感到興奮。」






