![]()
在美国,每年有超过30万人死于心脏猝死。这种致命的突发状况发生在心脏电信号系统突然失常、导致心脏停止泵血时。它既可能发生在患有已知心脏疾病的老年人身上,也可能发生在看似健康的年轻运动员身上。尽管植入式除颤器可以预防部分此类死亡,但长期以来医生始终难以判断哪些患者最需要安装这种设备。
如今,加州大学伯克利分校的研究人员在常规心脏扫描中发现了一个此前被忽视的预警信号,这一发现有望帮助医生在致命事件发生前更容易地识别出高风险人群。
这一发现是通过人工智能技术实现的,研究团队使用了瑞典收集的超过44万份心电图数据对AI进行训练。通过将这些扫描记录中的电信号模式与死亡证明信息进行比对,研究人员训练出一套AI系统,使其能够识别健康人群、已知存在心脏风险的患者以及最终因心脏猝死而死亡的人群之间的细微差异。
随后,研究团队利用来自美国和台湾地区的数千份额外患者记录对该技术进行评估,测试这些模式能否在不同人群中可靠地识别出高风险个体。
AI发现标准检测遗漏的隐藏心脏风险
研究结果表明,AI识别高危患者的能力比医生通常依赖的传统检测方法更为有效。目前的筛查方法主要关注心脏每次收缩泵出的血液量,这一指标被用来评估患者是否可能从植入式除颤器中获益。
使用这些传统测量方法,医生能够识别出一组年度心脏猝死率为4.6%的患者群体。而AI系统识别出的群体年度死亡率则达到7%,这表明其在区分面临严重危险的患者方面具有更强的能力。
值得注意的是,该算法还识别出了一个范围更广的高风险人群,其中包括数千名在现有医疗指南下通常不会被认为存在风险的个体。这些人中的大多数如果采用传统方法评估,都会被归类为相对低风险。
另一个重要优势是,该AI系统可以直接处理普通的心电图图像,而这类图像在全球各地的医院和医疗机构中已经属于常规收集项目。这意味着该技术有可能在不需要全新医学检测手段的情况下改善筛查效果。
这项研究成果发表在《自然》杂志上,未来有望帮助医生就哪些患者应该接受植入式除颤器做出更明智的决策。此外,这些发现还引发了一个有趣的科学问题:心脏内部究竟发生了怎样的变化,才产生了AI所识别出的这些电信号模式?
“医疗决策真的非常困难,我认为这正是我对AI感到如此兴奋的原因,”加州大学伯克利分校公共卫生学院副教授、该研究的主要作者齐亚德·奥伯迈耶说。“我们不仅能够做出更好的决策,还能开始理解这些患者在心脏停止跳动之前体内究竟发生了什么。”
为何心脏猝死如此难以预测
心脏猝死与心脏病发作不同。心脏病发作是由于心脏某部分的血流受阻或严重受限所致。而心脏猝死则是由协调心跳的电信号系统失常所引起的。
及时进行心肺复苏并使用自动体外除颤器进行电击,有时可以恢复心脏的正常节律。然而,大约90%在院外发生心脏猝死的患者会在几分钟内死亡,这使得对高危人群的早期识别显得尤为重要。
对于身为急诊医生、研究领域融合了人工智能、医学与卫生政策的奥伯迈耶而言,心脏猝死仍是医学领域最令人沮丧的未解难题之一。
由于猝死患者往往毫无征兆地死亡,研究人员观察心脏停止前瞬间内部发生情况的机会十分有限。尸检或许能发现血管阻塞、组织硬化或其他结构性异常,但无法完全揭示心脏在死亡前那一刻的功能状态。
“这个问题之所以如此令人痛心,但同时也非常适合用AI来解决,原因在于我们已经掌握了应对这一问题的方法,”奥伯迈耶说。“如果你知道自己将是猝死者之一,你就会去看心脏科医生,并植入除颤器。问题在于,医生往往无法在悲剧发生之前判断出谁真正需要这种设备。”
当前心脏风险筛查存在的问题
目前,医生主要依赖于衡量心脏每次搏动时泵血效率的指标。心脏泵血功能低于特定阈值的患者,可能被视为植入式心律转复除颤器的候选人,这种设备能够在出现危险心律时发出电击。
但获取这一测量数据通常需要进行更全面的医学评估。许多最终发生心脏猝死的人从未接受过此类检测,因为他们没有明显的理由怀疑自己身处危险之中。
这种方法对于已被认定为高风险的患者而言也存在局限性。在这些患者中,大约三分之二的植入式除颤器从未需要真正进行电击。这意味着许多人为了应对可能永远不会发生的致命突发状况,接受了昂贵且具有创伤性的手术。
与此同时,每年仍有数千名未被认定为高风险的人意外死亡。
“在这些人中,有一部分如果我们能及时知晓,本可以避免死亡的发生,”奥伯迈耶说。“有很多生命因心脏猝死而逝去,而这些死亡本是可以预防的,前提是我们拥有更好的AI工具来发现这些隐藏的风险。”
研究人员希望,通过识别更准确的预警信号,可以帮助医生将预防性治疗精准地提供给最可能从中受益的患者。
研究人员如何训练AI识别致命心脏信号模式
开发这一算法需要来自世界不同地区的三组独立医学数据。
研究人员首先使用了瑞典统一医疗系统中六年的心电图记录。通过将这些扫描数据与死亡证明信息相关联,他们能够研究后来发生心脏猝死的患者的电信号模式,并将其与其他患者的情况进行比较。
AI学会了识别记录中那些似乎与风险增加相关联的尖峰、波形及其他特征组合。系统训练完成后,研究团队又用另外两组数据集对其进行了测试:一组是圣迭戈某医院系统两年的匿名心电图记录,另一组是来自台北的独立患者数据集。
这种跨国测试有助于研究人员评估该算法的预测能力是否能够超越最初用于开发它的瑞典人群,在其他人群中同样适用。
“好的AI始于好的数据,”同时也是加州大学旧金山分校与伯克利分校联合计算精准健康项目成员的奥伯迈耶说。“遗憾的是,像我们这次研究所使用的这类数据非常难以获取。这也正是当前临床AI应用如此之少的重要原因。”
获取并整理这些信息本身就是一项庞大的工程。据奥伯迈耶介绍,数据集的组建工作耗费了大约十年时间,其中包括他本人参与创立的两家机构——Dandelion Health和Nightingale Open Science——所做出的贡献。这两家机构都致力于通过改善数据获取和人工智能应用来推动医学研究的发展。
“这是在伯克利工作的一大奢侈之处,”奥伯迈耶说。“你可以投入去做这些需要长期积累、进展缓慢的项目,然后——希望如此——在抵达终点时获得丰厚的回报。”
从隐藏的心脏信号到挽救生命的治疗手段
研究人员已经开始探索如何将这一系统应用于实际医疗场景。
奥伯迈耶正与瑞典、台湾和美国的医疗系统合作,将该算法引入医院的心电图数据库中。目标是对现有的心脏扫描数据进行检测,寻找风险升高的迹象,并识别出可能需要额外监测的患者。
按照这一设想中的方案,医生会联系那些心电图被AI评估为高风险的患者,并为他们提供佩戴一种可持续记录心脏电活动的贴片设备的机会。
这些更长时间的记录数据可能为揭示导致AI检测到的预警信号的生物学过程提供宝贵线索。理解这些过程有助于研究人员解释,为什么某些心脏更容易突然出现致命的电信号紊乱。
对于部分患者而言,这些额外信息最终或许能够支持医生给出植入除颤器的建议,从而有可能预防一次突发且原本意想不到的死亡。
奥伯迈耶还创建了一个网站,供希望了解自身风险的人们提供基本个人信息和电子邮箱地址。研究团队日后可以通过该网站联系他们,在相关技术更广泛推广应用后为其提供心电图分析服务。
AI能否揭开人类心脏的更多秘密?
除了在预防心脏猝死方面的潜在价值之外,这一发现还凸显出人工智能如何能够帮助科学家探究那些传统方法难以攻克的医学难题。
该算法并非仅仅识别出可能需要治疗的患者,它还发现了研究人员目前尚未完全理解的心脏活动模式。对这些信号进行深入研究,或许能够为揭示导致心脏猝死的电信号紊乱带来新的科学见解,并有可能揭示出更多预防的机会。
奥伯迈耶认为,这种发现此前未被认知的生物学模式的能力,可能会成为AI对医学领域最重要的贡献之一,它不仅为相关研究开辟了新的方向,也将帮助医生做出更好的决策。
“从这些工具中,也将诞生出一种全新的科学研究方式,”奥伯迈耶说,“想到这一切将如何展开,真的让人感到兴奋。”
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.