Scholay

学术搜索 · AI 审稿 · LaTeX 协作

Nature：深度学习从常规心电图中读出猝死风险标志物，传统 LVEF 漏掉的大批高危患者被重新圈出

顶级刊物论文速递 · 发布 2026-06-26T01:45:00+08:00 · 更新 2026-06-26T01:53:14+08:00

核心结论

Nature 6 月 24 日发表研究，团队用与死亡证明打通的瑞典区域心电图数据训练深度学习模型，在 11.3 万份 ECG 中圈出占样本 2.2% 的高风险人群，其年化猝死率达 7.0%，高于传统左室射血分数低下人群的 4.6%，且其中 86.1% 并不会被 LVEF 提前标记。它的重要性在于常规 ECG 可能第一次被提升为植入除颤器决策的强候选筛查工具；但现阶段仍是回顾性建模与外部验证，不是直接改写临床指南。

6 月 24 日发表于 Nature 的这篇研究，试图解决猝死风险管理里一个非常现实的难题：除颤器在理论上可以预防一部分猝死，但临床上很难准确提前圈出真正高风险的人。现行广泛使用的指标是左心室射血分数（LVEF），问题是它会漏掉大多数未来发生猝死的人，也会让不少低风险患者接受最终没有触发救命电击的植入式除颤器。新论文的突破，在于研究者用深度学习分析常规 ECG，并声称识别出一个此前未被系统描述、但能稳定关联猝死风险的波形标志物。

Nature 图 1 展示 ECG 模型在不同高风险阈值下对应的年化猝死率。
Nature 图 1：深度学习 ECG 模型在不同高风险阈值下对应的年化猝死率，并与传统 reduced LVEF 组及除颤器试验对照组风险水平对照。

研究数据量和结果都足够有新闻性。根据 Nature 正文，团队把瑞典一个地区全部 ECG 数据与死亡证明打通建模，在 113,072 份 ECG 中识别出占样本 2.2% 的高风险人群，这一组的一年猝死率达到 7.0%，高于传统 reduced LVEF 人群的 4.6%。更关键的是，模型标出的高风险患者里有 86.1% 并不会被 LVEF 提前识别。若把高风险组缩小到样本中最危险的 1.0%，其年猝死率可达 7.9%；在最高风险 0.2% 人群里，这一比例甚至达到 11.0%。

论文没有停留在瑞典单一数据集上。作者又在美国医疗系统里验证该模型对致命性室速/室颤的预测能力，并在台湾医院登记数据中验证其对未来心律失常性心搏骤停的识别能力。正文还提到，在模型判定的高风险 ECG 人群中，已植入除颤器者的死亡率比预期低 54.4%，这为“如果更早找到这些人，干预可能真正改变结局”提供了间接支持。与此同时，研究团队利用生成模型把深度学习“发现”的波形形态可视化，指出一个位于 QRS 末端、略带拖曳的下行形态，可能就是新的风险线索。

它之所以值得放进顶级刊物论文速递，而不只是普通 AI 医疗新闻，是因为它碰到的是临床决策入口。常规 ECG 成本低、普及度高、标准化程度高，若未来能稳定承担猝死风险初筛功能，就可能改变谁应该被进一步做超声、谁值得接受更密集监测、谁真正可能从植入式除颤器获益。对心血管临床、数字医学和医疗支付方而言，这都比“AI 能看出一个指标”更进一步，因为它触及资源分配和侵入性干预门槛。

但这项工作仍远未走到“改写指南”。首先，它本质上仍是回顾性建模加外部验证，而不是以前瞻性临床试验直接证明按模型筛人会改善结局。其次，风险阈值的设定参考了既往除颤器试验对照组的风险水平，具有一定临床合理性，但离常规指南采用还要经历更严格的验证和成本收益讨论。再次，论文虽然提出了新的波形机制假说，但机制解释仍属初步。因此，更稳妥的判断是：Nature 这篇论文把常规心电图在猝死风险分层中的地位大幅抬高了，但它目前更像一个值得严肃推进的筛查方向，而不是明天就能替代 LVEF 的临床定论。

信息来源

可信度说明

主要依据 Nature 正式论文与 DOI 页面。关键可核验信息包括 113,072 份 ECG 的瑞典训练与验证框架、高风险组占样本 2.2%、其一年猝死率 7.0%、其中 86.1% 不会被 reduced LVEF 提前识别，以及美国和台湾外部验证。证据边界在于研究仍属观察性风险分层证据，尚未形成前瞻性随机试验和临床指南级别的直接干预证明。

同主题情报