深度学习模型从ECG波形中发现新猝死标志物，预测性能优于现有标准LVEF，跨三大洲验证。
心源性猝死在理论上可以通过除颤器预防。但每年都有许多患者在未植入除颤器的情况下死亡，因为医生未能预测其风险。目前唯一广泛使用的预测性生物标志物心脏左心室射血分数(LVEF)会遗漏大多数心源性猝死病例。
发表在《自然》上的一项研究将深度学习应用于一个将瑞典某地区全部心电图与死亡证明相关联的数据集。所得模型分离出一个高风险组(占样本的2.2%)，其心源性猝死年发生率为7.0%，高于LVEF降低的患者(占样本的1.9%，年发生率4.6%)。值得注意的是，模型识别的86.1%高风险患者并未被LVEF标记。植入除颤器的高风险心电图患者死亡概率比预期低54.4%，提示存在死亡率获益。
模型在美国和台湾进行了外部验证。在美国，零样本AUC达到0.822；在台湾医院登记系统中，模型以0.767的AUC区分未来心律失常性骤停与对照组。特别值得一提的是，在台湾数据中，模型对非心律失常性骤停的辨别能力接近随机猜测(AUC 0.582)，证明其对真正心律失常性死亡具有高度特异性。
为可视化模型"发现"的波形形态，研究人员将预测模型与生成模型配对使用。生成模型将低风险心电图逐渐变形为该患者的高风险反事实心电图。结果揭示了两类关键变化：一是电轴偏移，在额面表现为左轴偏移，符合左前上束支阻滞；二是在导联aVL中发现了一个此前未被描述的形态：R波终末部分呈现含糊特征，替代了低风险波形中尖锐的负性S波。
研究团队生成并初步检验了一个机制性假设。高风险患者QRS波群末端含糊的下坡可能表明去极化的电向量随时间变得越来越混乱，暗示一个随去极化进展而恶化的累积过程。对少数有心脏磁共振成像的患者的盲审显示，预测风险最高10%的患者在整个左心室中存在弥漫性微妙的晚期钆增强的患病率显著更高，这种模式代表心肌纤维化。研究人员在心脏病专家的记录中却没有发现任何对纤维化的提及。
深度学习从三大洲数据中识别出了一个全新的、此前未被怀疑的猝死高风险人群。该模型提示了详细研究这一悲剧性医学谜题的新途径。
原文：https://www.nature.com/articles/s41586-026-10674-6