AI在心电图里，发现了人类找了一百年的死亡信号

仅在美国，每年有超过30万人死于心源性猝死，中国约54万。

你很可能记得这些名字：

2019年，35岁的演员高以翔在录制综艺节目时突然倒地，再没醒来。

2021年欧洲杯，丹麦球员埃里克森在球场上心脏骤停，倒在草地上，直到除颤器介入才被救回，并随后植入ICD（植入式除颤器）。

2024年，17岁的国羽小将张志杰在亚青赛球场上突然倒下，再没站起来。

2026年，知名升学规划讲师、网络红人张雪峰同样猝然离世。

还有就是下班回家说「有点累」，然后躺下去再没起来的，那个我们身边的人。

这些事件发生在不同国家、不同人群、不同场景，但结构高度一致：突发、不可预测、缺乏明确预警。在医学定义中，这类事件被称为心源性猝死，其本质是心脏的“电系统”在某一瞬间突然失控。更令人困惑的是，其中不少人在事件发生前已经完成过体检，甚至心电图结果显示"未见明显异常"。问题并不在于没有检测手段，而在于长期使用的指标，可能并不指向真正的风险来源。

一、AI看到的，LVEF没看到

目前，全球最广泛使用的猝死风险评估指标是左心室射血分数（LVEF），它衡量的是心脏的泵血能力，而不是心脏电活动的稳定性。这导致一个长期存在的结构性错位：部分LVEF明显异常的患者并未发生猝死，而大量LVEF正常的人却在毫无预警的情况下死亡。换句话说，临床风险评估长期依赖“结构指标”，而猝死本质上发生在“电生理系统”。

2026年6月24日，《Nature》发表了一项研究，尝试用另一种方式重新审视这一问题。研究团队利用瑞典Region Halland医疗系统2010至2016年的心电图数据，构建了一个真实世界队列，共441,614份心电图，并通过国家死亡登记系统与电子病历逐条链接，每一张心电图都对应一个结果：患者在未来一年内是否发生心源性猝死。模型的任务因此变得直接：仅通过标准12导联心电图预测这一事件的发生概率。值得注意的是，模型的学习对象是原始心电图波形，而不是LVEF等结构性心脏指标。在模型训练完成后，研究团队进一步进行可解释性分析，尝试理解其风险判断主要依赖哪些信号来源。

结果显示，模型并非均匀使用所有导联信息，而是在空间分布上呈现出明显的集中性，其中aVL导联在高风险样本中的贡献尤为突出。进一步的波形分析发现，在该导联的R波与ST-T过渡区域，存在一种非常细微但在高风险样本中稳定重复出现的形态差异。这一特征此前并未在传统心电图分析体系或电生理文献中被系统性描述。需要强调的是，这并不是一个“已知但被忽略的指标”，而是在大规模数据驱动下被统计模型稳定提取出的风险相关模式。大白话总结：人类看心电图是整体判断，而AI发现真正关键的信息，可能集中在一个很小的局部细节里。

同时，结果显示模型能够将人群清晰分层。在约2.2%的高风险人群中，年猝死率达到7.0%，高于传统LVEF高危人群的4.6%。但更关键的信息在于人群结构：在AI识别的高风险人群中，约86.1%的患者LVEF处于正常范围。这意味着，这部分人群在现有以LVEF为核心的临床体系中，通常不会被识别为高危对象。换句话说，AI并不是在优化“已知高危人群的筛选”，而是在识别一批在传统指标体系中被忽略的高风险个体。大白话总结：AI不是把“已经危险的人”筛得更准，而是找出了很多在传统指标下看起来正常，但实际风险很高的人。

心电图技术已经发展近百年，每天产生数以百万计的记录。在长期以经验为主的解读框架下，这些信号更多用于识别已知疾病模式，而不是发现新的风险结构。直到这项研究中，基于大规模数据训练的模型，才在这些看似熟悉的波形中识别出稳定存在的风险模式，并将其在统计层面显现出来。

二、理论联系实际

这项研究的第一作者Ziad Obermeyer本身是一名急诊医生。他在接受UC Berkeley News采访时提到，这个问题在临床上非常复杂，但在方法上非常适合用AI解决，因为医学已经拥有有效干预手段，真正的难点在于如何在事件发生之前识别出需要干预的人群。

在外部验证阶段，研究团队并未对模型进行重新训练或参数调整，而是直接将其应用于不同医疗系统的数据。这些数据分别来自美国圣地亚哥Sharp Healthcare系统，以及中国台湾台大医院，两者在患者结构、医疗体系及临床流程上均存在明显差异。

更重要的是，这三个地区对“猝死”的定义并不一致：瑞典基于死亡证明记录，美国基于致命性心律失常记录，台湾基于急诊心搏骤停记录。尽管结局定义不同，模型在三个独立体系中均能稳定区分高风险人群，且表现方向一致。这表明模型捕捉的不是某一医疗系统的数据模式，而是在不同系统中都成立的心电图风险结构。在进一步的临床关联分析中，研究者观察到：在已植入除颤器的高风险患者中，被AI识别为高风险的一组，其猝死发生的相对风险下降约54.4%（观察性分析结果，非随机对照试验）。这一结果提示AI分层与临床干预之间存在显著关联，但由于研究设计限制，不能推断因果关系。大白话总结：这个模型在不同国家、不同医院、不同定义下，都能稳定区分高风险人群，但它只能说明“分层有效”，不能证明“干预一定来自AI”。

三、AI不仅找到了，还“解释了结构”

如果AI只是输出一个高危名单，医生仍然不知道应该关注什么。因此，这项研究进一步尝试理解模型依赖的信息结构。通过可解释性分析方法，研究团队并不是让模型“生成心电图”，而是分析模型在预测中依赖哪些导联与波形区域。

结果显示，高风险信息在12导联中并非均匀分布，而是集中在少数导联上，其中aVL导联尤为显著。进一步分析发现，在该导联的R波与ST-T过渡区域，存在一种在高风险人群中反复出现的微弱形态差异。需要强调的是，这一发现属于统计学习意义上的“风险相关模式”，而不是已经被明确生理机制解释的独立病理标志物。

从方法学角度，这项研究的结果可以概括为三点：一是风险预测能力提升；二是关键导联的可解释性结构；三是在大规模数据中稳定出现的心电图模式。但整体上，它仍然属于“模式识别”，而不是完整机制解释。大白话就是：AI不是“画出一个新心电图”，而是告诉你：在高风险人群中，有一段非常细微的心电变化反复出现，并且集中在aVL导联。

“但真正改变临床问题的，并不是这个信号本身，而是它重新定义了风险分层方式。”

四、你装不装除颤器？

7%的年猝死风险，意味着什么？在无已知心脏病史的普通人群中，年猝死风险通常低于0.1%。而在本研究的整体人群中，这一比例约为0.6%。但在AI筛出的高风险子集中，这一风险上升到7.0%，约为普通人群的数十倍量级。

问题因此变得直接：你装不装除颤器？

装了——你可能属于那大多数人。经历手术、承受成本、长期携带植入装置，但它一生都不会触发。

不装——你可能属于那一小部分真实发生事件的人。

但关键不在于这个二选一，而在于分层本身的变化：在AI识别的高风险人群中，约86.1%的患者，在传统以LVEF为核心的评估体系下并不会被归为高危个体。换句话说，AI改变的不是“治疗选择”，而是“谁被认为需要进入选择题”。在传统临床决策体系中，植入除颤器主要基于LVEF这一阈值标准（如低于35%）。这种方式本质上是“阈值型决策”，即非黑即白。

而AI提供的则是连续风险输出：例如5年猝死风险约为5.3%。这意味着，在100个相似个体中，大约有5个可能发生猝死，其余95个不会。这使得临床决策从“是否符合条件”，转变为“是否值得承担风险”。而这一转变带来的核心问题是：医学体系过去习惯处理确定性，而不是概率。我们尚未完全建立起针对这种“概率性风险”的标准决策框架。因此，这不只是一个AI医疗问题，而是一个医学决策问题。

最后的问题仍然是：当风险不再是“有或没有”，而只是“概率大小”时，你如何做选择？

五、离临床有多远——好AI从好数据开始

客观来说，这项技术距离真正进入常规临床应用仍然较远。从一篇研究论文走向实际医疗系统，中间通常需要经过多个关键阶段，包括前瞻性临床试验验证、监管审批（如FDA或NMPA）以及支付体系的接受（医保或商业保险覆盖）。这一过程通常以数年为单位，具有较高的不确定性。

但与此同时，一些结构性变化已经开始出现。

首先，LVEF作为猝死风险评估的核心指标之一，其单一主导地位正在受到挑战。研究结果中显示的分层差异（例如86.1%的高风险个体在LVEF上仍处于正常范围）提示，现有基于结构功能的风险体系可能存在系统性遗漏。

目前，该研究团队已与瑞典、中国台湾地区及美国的医疗系统开展合作，将模型推进至临床验证阶段，并尝试接入真实世界的心电图数据流。在这一过程中，对AI识别出的高风险个体，在部分研究性临床流程中尝试采用进一步监测策略，例如动态心电监测贴片，以获取连续电生理信息。

Obermeyer在采访中提到：“高质量AI的前提是高质量数据，而这类数据在真实医疗环境中极其难以获取。”该研究的数据构建过程历时多年，本身就反映出真实世界医疗数据整合的复杂性。从更广泛的技术演进来看，这一过程与过去几年生物医学AI的发展路径具有相似性。例如AlphaFold（由DeepMind开发的蛋白质结构预测模型）从论文发布到广泛认可与应用之间，也经历了数年的转化周期。

因此，这类模型的临床落地速度仍然存在较大不确定性，可能快于预期，也可能显著慢于预期。但可以确定的是，心源性猝死的风险评估体系正在发生变化：LVEF不再是唯一的核心判断依据。

最后-真正面对选择的，仍然是人

过去十年，AI在医疗领域最主要的任务，是扩展人类的感知能力：读取CT影像、病理切片、眼底照片——在医生已有的观察框架内，提高效率与一致性。

而这项发表于《Nature》的研究，尝试进入了另一个层面：在原始生物信号中，识别人类长期未能在传统分析框架中显式建模的统计结构。

心电图作为一项技术已经使用近百年，无数临床专家围绕其波形建立了解释体系；左心室射血分数（LVEF）则在过去数十年中长期作为猝死风险评估的重要参考指标之一。但这些基于结构或经验总结的框架，本质上仍依赖“已知模式的识别”。

在这项研究中，基于大规模数据训练的模型，在标准12导联心电图中识别出与猝死风险相关的稳定模式，并在统计层面将其从复杂信号中提取出稳定相关模式。需要强调的是，这一结果并不等同于发现了一个已被完全解释的生理机制，而是提示在既有临床解释体系之外，可能仍存在未被充分建模的风险信息结构。

因此，这项工作的意义不在于“AI替代医生”，而在于它提供了一种不同的观察方式：它在已有医学知识之外，提出了新的“可被讨论的信号”。

当诊断从“是否存在疾病”，逐渐转向“发生概率有多高”时，临床决策的结构也随之改变。在这种情况下，医学上通常称之为“共享决策”：医生提供风险信息与专业判断，患者参与权衡与选择。

LVEF不再是唯一的判断依据，AI也不是最终裁判。真正面对选择的，仍然是人。

*AI医疗 · 用最笨的方法做最扎实的内容*