患者回一句「不是发作」，AI 的误报降了八成

想让一台机器更准地认出癫痫发作，最有用的一条信息，可能来自患者本人在手机上按下的「不是」。

《自然医学》（Nature Medicine）在 2026 年 10 月 13 日上线的一项研究里，宾夕法尼亚大学的团队把脑电监测、云端算法和一个能聊天的人工智能接在一起，让住院的癫痫患者直接在手机上和自己的监测设备对话。设备报警说「刚刚可能是一次发作」，患者回「是」「不是」或者「不确定」。就靠这些回答，系统每三小时自我微调一次，每小时的误报次数降了八成，漏掉发作的比例没有变差。

癫痫最难的地方，在于不知道下一次什么时候来

全世界约有 7000 万癫痫患者，其中超过三分之一吃药控制不住发作。

一部分人可以考虑手术，把产生发作的脑组织切掉或者用激光烧掉，但两年之后真正达到无发作的只有一半左右。植入式器械创伤小一些，也能减少发作，代价轻于手术，可完全不发作的情况很少见。

美国 FDA 到目前为止只批准了三种治疗癫痫的器械。无论是按固定节律刺激的，还是检测到特定脑电信号才刺激的，发作次数都是慢慢往下走，在最乐观的研究里，植入九年后中位减少幅度最多到 75% 就不再往下了。还有大约 30% 的患者几乎没有改善。

就算吃药能控制住发作，日子也不轻松。漏吃一次药、熬了一夜、怀孕，或者因为别的病用上了会降低发作阈值的药，发作都可能重新冒出来。药物把发作次数压下去，压不住「下一次什么时候来」这个一直悬着的问题。

脑电上早就能看出风险，可这些数只给医生看

发作并不是凭空出现的。脑电图上有一批可以量化的指标，和发作风险有关：睡眠分期、棘波出现的频率、发作概率的实时估计，还有脑电各通道之间的相位同步程度。

相位同步反映的是不同脑区放电节律的一致程度，而抗癫痫药物正好会压制这种一致性。这项研究做了事后的线性混合效应分析，发现药物负荷越低，相位同步越高，相关系数是 −0.315（95% 置信区间 −0.337 到 −0.293）。换成临床上的说法：药一减下来，脑子里的同步性就往上走，而同步性升高本身是发作风险上升的一个信号。癫痫监测病房里医生刻意减药诱发发作，走的就是这条路。

这些指标现有的器械多少都能测。问题在于，它们算完之后把结果送给医生，不送给患者。有的器械能存一点数据、隔一段时间传出去，但没有一种能实时告诉患者「你今天的风险比昨天高」。

于是患者永远没机会把自己做过的事和身体里的变化对起来。昨晚少睡了四个小时，今天的发作概率曲线抬高了多少，他看不到，也就无从调整。本来可以防微杜渐的信息，卡在了设备和医生之间。

这套平台把数据送回了患者手里

研究团队在宾夕法尼亚大学医院的癫痫监测病房里搭了三层东西：一层软件把医院网络里的实时脑电抓出来，一层符合 HIPAA 标准的云端环境做分析，再加一个装了对话式人工智能的手机应用。

云端跑的是几个已经训练好的模型：算发作概率的、认棘波的、分睡眠期的，另外再算相位同步和从病历里推出来的用药负荷。对话这一层用的是 HIPAA 合规版本的 GPT-4o-mini。患者的每条消息先经过安全审核节点，再由路由器分到两条路上，闲聊走一条，查数据走另一条；查数据这一条会去数据库里取对应的指标，合成回答，必要时还画成图发回聊天框。

13 名成人住院患者参加了这项研究，其中 11 人做头皮脑电、2 人做颅内脑电，中位参与时间 4.87 天。研究全程没有改动他们的常规治疗。

患者和系统之间一共往来 1307 条消息，系统主动发出的占 68.9%，患者主动发起的占 31.1%。患者发出的消息里 88.5% 是日常聊天，真正去查数据的只有 11.5%。回复速度跟着事情的轻重走：发作提醒最急，10 分钟内就有 44.8% 的患者回了，半小时内到 60.3%；棘波提醒最不受待见，一小时之内只有 27.3% 回应，道理也简单，棘波多数时候人根本感觉不到。

技术指标上，闲聊的中位响应时间 1.95 秒，查数据因为要生成并执行数据库查询，中位 8.69 秒。数据查询的准确率 92.1%，消息分流的准确率 89.7%。审核系统拦下了 1.47% 的患者消息、0% 的 AI 消息，事后复核发现拦下的都是良性内容。填了可用性量表的 5 个人给出的平均分是 83 分（满分 100），落在「优秀」区间。

报警十次里八次不准，患者的回答反而最值钱

平台用来实时报警的发作检测模型，准确率低得难看。这批患者住院期间，医生一共确认了 59 次发作，系统发出 58 次报警，其中对上的只有 8 次，敏感性 0.136，精确度 0.138。报警十次里有八九次是假的，真发作还漏掉了大半。

患者对这 58 次报警回了 67.2%。在回了的报警里，15.5%（9 次）被标成真发作，37.9%（22 次）被标成假报警，还有 13.8%（8 次）标了不确定。

这些标注本身也不完美：患者在发作后常有短暂失忆，有些轻微发作自己察觉不到，还有人回得晚。整体算下来，经由手机标注出的发作只覆盖了 59 次里的 5 次，敏感性只有 0.085。

可只看患者确实点了「是」的报警，准确度反过来很高：5 次全部是真发作，精确度 0.71，而患者点「不是」的 19 次里没有一次漏判了真发作。专家后来也把 7 次「不确定」全部判成了非发作。

患者给不出完整的答案，但他给出的部分方向是对的，尤其是「这不是发作」这一类否定标签，而检测模型恰好最缺这类标签。模型报警太滥，缺的不是更多的发作样本，是知道哪些响声不该响。

系统每三小时拿这批标签微调一次模型，而且只解冻最后几层，前面各层全部冻住，防止模型把原来学会的东西一起忘掉。

误报降了八成，漏报没有变多

原文 Fig. 5c 画的就是用手机标注做微调的这 6 名患者。左边三个箱线图是相对基线的变化，右边三组是每个人微调前后的配对数值。

基线模型的表现是：事件级敏感性中位 0.83，每小时误报 0.47 次。

用手机标注微调之后，误报率下降了 80.9%，绝对值每小时减少 0.543 次（95% 置信区间 −0.825 到 −0.17），F1 分数上升 158.4%。把整个住院期间模拟成前瞻部署，也就是每练出一个新模型就立刻接着用，误报率从每小时 0.736 次降到 0.104 次，F1 从 0.021 升到 0.143。

同时，敏感性没有掉。这一点比降误报更要紧：一个报警系统把阈值调高，误报自然会少，代价是漏掉更多真发作。这里没有发生这种交换。

按钮、手机、医生，三种标签都压住了误报

另外两组对照也站得住。

病房里本来就有一个患者报警按钮，13 个人全都用过。把按下按钮前 1 分钟到后 2 分钟这一段当成发作来标注，拿去微调，误报降了 77.8%，F1 升了 115.4%，模拟部署下敏感性中位保持在 1.00。在 6 名可以比较的患者里，手机标注和按钮标签的效果没有统计学差别。

还有一层是医生在环：每 24 小时让系统挑出 10 段 90 秒、模型自己最拿不准的脑电，交给专家判读。加上这一层之后，误报率从每小时 0.210 次降到 0.044 次，降幅 82.6%，F1 升了 271.5%。

三条路子指向同一个结论：标签哪怕粗糙，只要能告诉模型「这一次不算」，误报就能压下去。专家的判读更准，所以降幅最大，光靠患者本人也已经能走通大半。

这些数字还说明不了什么

这些数字的适用范围很窄，拿它推广到所有癫痫患者就成了以偏概全。

这项研究只有 13 个人，而且是在癫痫监测病房里招的。愿意参加这类研究的人本来就更愿意摆弄手机和新设备，样本可能偏向对技术感兴趣的一群。

监测病房本身也是个人造环境。患者住进去就是为了诱发出发作好定位病灶，药会被刻意减量，发作密度远高于平时。平台在这种环境里能拿到的信息，和一个人在家里过日子时需要的提示，完全不是一类东西。研究者自己把这一段定位成可行性验证，而不是疗效证据。

微调的结果也是在已有数据上做的模拟前瞻，不是真的边用边练了一遍。而且微调之后，误报仍然有每天 2 到 4 次，对一部分患者来说还是嫌多。敏感性始终没有提高，作者归因于微调数据量小、超参数设得保守。他们用的检测模型是为了实时运行和校准稳定挑的轻量版本，并不代表当前最好的水平。

平台里的小问卷是为了高频率、低负担设计的，不是经过验证的癫痫专用患者报告量表，只能当作参与度信号；连续录的视频和心电这次根本没用上；可用性评分只有 5 个人填。

伦理设计上有一条也影响了数据。按规定，患者怀疑发作时必须先按病房的临床报警按钮，之后才能和 AI 互动，所以几乎所有发作都是通过临床系统上报的，真正走平台标注的很少。平台上 0.085 的整体敏感性，有一部分就是这么来的。

对患者意味着什么

今天还轮不到任何人去买这样一套东西。它是住院环境下的原型，没有上市，也没有进入任何指南。

但这项研究把一条此前被堵住的路试通了：设备算出来的东西可以回到患者手里，患者的回答又可以反过来把设备调得更准，而且这个循环不必每次都等医生介入。13 个人里有 5 个在出院时主动问能不能继续用。

还有责任归属的问题。一旦医疗判断有一部分建立在 AI 的输出上，出了问题算谁的，目前并没有定论。患者会不会过度依赖这种提示、界面怎么表达模型自己的不确定，同样没有现成答案。研究团队在设计阶段就设了双重保险：每天人工复核全部对话，所有计算和模型推理都在医院自己的合规云里跑，不接触任何公共或第三方服务。

对正在管理癫痫的人来说，眼下能用上的仍是那几条老办法：按时服药、保证睡眠、记好发作日记、把每一次异常告诉主管医生。发作日记听起来朴素，它和这项研究里患者点的「是」或「不是」，提供的是同一类信息，也就是本人对自己身体的判断。机器算得再快，这一环也因人而异，替不了。

参考来源

Goldblum Z, et al. Nat Med 2026

AI 辅助整理，作者审核；内容仅供参考，具体诊疗请遵医嘱。