【心闻速递】深度学习发现心电图生物标志物预测猝死

研究背景与核心问题

猝死在理论上可通过除颤器预防，但每年大量患者因医生未能预测风险而死亡。目前临床最广泛使用的预测指标——左室射血分数（LVEF）存在严重缺陷：无法预测大多数猝死事件；会将许多低风险患者误判为高风险，导致不必要的植入式心脏复律除颤器（ICD）植入；86.1%的模型高风险患者未被LVEF识别。

【研究方法】

主要数据集（瑞典）：基于瑞典区域哈兰德（Region Halland）的441,614份ECG记录（2010–2016），链接至死亡证明和电子健康记录。研究聚焦于80岁以下人群，最终分析了119,541份ECG。

外部验证数据集：美国——来自Sharp HealthCare的251,858份ECG（2021–2022），用于验证模型泛化能力。中国台湾——国立台湾大学医院的4,268名急诊室心脏骤停患者，用于评估模型在不同医疗体系下的表现。

模型架构：采用64层ResNet模型进行ECG特征提取，并使用变分自编码器（VAE）生成合成ECG波形以可视化模型发现的“生物标志物”。

【核心发现】

新生物标志物：通过深度学习，模型识别出一个易见且稳健的ECG形态学特征——aVL导联的R波峰值到QRS终末的绝对变化量。该特征在高风险患者中显著异常，其变化模式与心肌纤维化等病理过程相关。

高风险人群定义：模型定义的高风险组占样本的2.2%，其年猝死率为7.0%，远高于LVEF降低组的4.6%。

临床价值：该模型在瑞典数据集上AUC达0.872，在美国数据集上AUC为0.822，均显著优于传统LVEF（AUC=0.697）。

【结论与意义】

该ECG生物标志物能有效识别出LVEF正常或仅轻度降低但实际处于高风险的患者，填补了现有筛查工具的重大空白。研究提出，该生物标志物可能源于心肌纤维化导致的心电向量去极化过程紊乱，这与已知的“左前分支阻滞”（LAFB）等病理改变相关。该发现为精准筛选ICD植入患者提供了新依据，有望减少过度治疗，并为理解猝死的电生理机制开辟了新路径。该研究强调，需进一步探索该生物标志物在特定亚群（如遗传病、既往心律失常史患者）中的应用，并推动其在临床实践中的转化。

往期精彩链接

本公众号回复“心闻速递”查看栏目合集

不想错过心脏之声的推送？

戳文章顶部蓝字“哈特瑞姆心脏之声”关注我们

并点击右上角“···”菜单

选择“设为星标”或“置顶公众号”

【心闻速递】深度学习发现心电图生物标志物预测猝死

ACS患者PCI术1个月后能否单用替格瑞洛？

右室功能不全与心脏性猝死

左心耳封堵术后房颤患者的直流电复律

达格列净改善心力衰竭患者临床症状和功能状态