宾夕法尼亚大学佩雷尔曼医学院的心脏病专家Rajat Deo博士在过去近二十年间一直在研究心电图(ECG)数据和心脏节律。他表示，医院每秒钟都会产生"大量心电图数据——这些心脏的电活动轨迹累积起来构成了医学领域最丰富但最未被充分利用的档案之一"。几十年来，这些信息大多被视为即时诊断的关键，但之后就被搁置不用。
如今，Deo与宾夕法尼亚大学医学中心的其他临床医生已与该校工程与应用科学学院的计算机科学家合作，通过利用医院已收集的心脏数据来改变这一状况。
像Deo这样的心脏病专家能从临床角度洞察微小的电活动异常如何预示严重的心脏事件，而像Rajeev Alur这样的计算机科学家则带来了数十年在复杂、不断变化的信息流中寻找模式并用其进行预测的系统研究经验。
Alur表示："在宾夕法尼亚大学，你只需穿过马路就能找到一位临床医生，他们能向你提出挑战，让你为他们想要解决的问题开发基于人工智能的解决方案。"
与大学内学生和教师合作，该团队开发了心电图语言模型的心脏自回归模型(CAMEL)，这是一种将心电图视为语言而非孤立快照的人工智能模型。该研究成果已发表在arXiv预印本服务器上。
CAMEL并非在异常出现后才简单识别，而是分析更长时间的心脏节律以识别可能预示后续情况的模式，从而为心律失常或心脏骤停提供提前10至15分钟的预警。
一种新型模型
Alur表示："现有的AI模型主要关注对心电图信号进行分类。"为了从分类转向预测，工程团队不得不将心脏的电活动节律视为文本，找出最佳编码心电图信号的方法。
CAMEL将心电图波形片段转换为可与临床文本（如医生笔记或实验室结果）一同解读的格式，使系统能够像临床医生一样推理，判断节律的细微变化如何预示未来变化。与依赖10秒片段的传统方法不同，该模型设计用于处理数小时的遥测数据（医院中对患者生命体征的连续远程监测），从而扩大了可检测风险的时间窗口。
对临床医生而言，这种差异意义重大，因为心脏功能恶化很少突然出现；预警信号往往已经存在，但对传统工具来说过于微弱、模糊或复杂，难以解读。
Deo指出，该模型在分析正常窦性心律和检测患者可能面临由危险心律失常（如心室颤动或室性心动过速）引起院内心脏骤停的高风险的细微指标方面已显示出令人鼓舞的结果。
迈向实际应用
研究人员希望很快通过在后台处理实时患者信息来测试该模型——但不会向医护人员发出警报。
Deo表示："我最不想做的就是在凌晨2点因虚假信号而惊动楼层上的护士和技术人员进行干预。每次我们触发警报，都是将有限的资源从可能需要的另一位患者身上转移开来。在临床环境中，我们必须确保准确性。"
研究人员还将将模型的预测与患者结果进行对比，以确定CAMEL的预见能力是否超过当前的护理标准。
除了在医院使用外，研究人员对该技术在使用消费级可穿戴设备的普通人群中的潜力持乐观态度。
出版详情
Neelay Velingker等人，《CAMEL：用于预测心脏事件的心电图语言模型》，arXiv (2026)。DOI: 10.48550/arxiv.2602.15677
期刊信息：arXiv
关键医学概念
心脏骤停
心律失常
心室颤动
心电图发现的室性心动过速
心电图检查
临床类别
心脏病学
由宾夕法尼亚大学提供
【全文结束】