约翰霍普金斯大学研究人员创建的人工智能模型，从常规心电图检查中挖掘出丰富的预测性数据，能更准确地预判手术后可能发生的致命并发症。
这项由联邦政府资助的研究表明，新型人工智能模型在常规心脏检查中发现了此前未被识别的信号，这些信号能强有力地预测哪些患者术后将面临潜在致命并发症。该模型的表现显著优于医生目前依赖的风险评估工具。
"我们证明基础心电图包含肉眼无法识别的重要预后信息，"约翰霍普金斯医学院信息学、整合与创新部门主任、资深作者罗伯特·D·史蒂文斯表示，"我们必须借助机器学习技术才能提取这些信息。"
研究结果今日发表于《英国麻醉学杂志》。目前医生用于评估术后风险的评分系统准确率仅约60%，而相当比例患者在大型手术后会出现危及生命的并发症。
研究团队转向术前常规进行的心电图（ECG）检查寻求突破。这种快速无创的检查通过电信号评估心脏活动，虽主要用于诊断心脏疾病，但史蒂文斯指出其信号还包含更微妙的生理信息。"心电图不仅反映心脏状况，还包含心血管系统信息，"他解释道，"炎症、内分泌系统、代谢、体液和电解质等因素都会影响心电图形态。若能获取大规模心电图数据集并用深度学习分析，我们就能获得临床医生目前无法获取的有价值信息。"
团队分析了波士顿贝斯以色列女执事医疗中心37,000名手术患者的术前心电图数据，训练了两个AI模型来识别术后30天内可能发生心脏病、中风或死亡的高危患者。其中一个模型仅使用心电图数据，另一个"融合"模型则结合了患者年龄、性别和现有疾病等医疗记录信息。
仅依赖心电图的模型已优于现行风险评估工具，而融合模型表现更佳，对术后并发症的预测准确率达85%。"令人惊讶的是，我们仅凭这10秒的常规诊断数据，就能精准预测术后死亡风险，"主要作者、生物医学工程博士生卡尔·哈里斯表示，"这项发现将显著改进手术风险评估。"
研究团队还开发了方法来解释心电图中哪些特征可能与术后心脏病或中风相关。史蒂文斯展望道："想象一下接受大型手术时，你的心电图不再仅存入档案无人问津，而是通过模型生成风险评估报告，让你能与医生深入讨论手术利弊。这标志着患者风险评估的重大进步。"
下一步，团队将在更大患者数据集上验证模型，并计划对即将接受手术的患者进行前瞻性测试。他们还希望探索AI从心电图结果中提取的其他潜在信息。
本研究作者均来自约翰霍普金斯医学院和怀廷工程学院，包括阿纳瓦伊·平帕尔卡尔、阿塔斯·阿加瓦尔、杨季渊、陈晓健、塞缪尔·施密德尔、桑帕斯·拉普里、约瑟夫·L·格林斯坦和凯西·O·泰勒。研究获得美国国家科学基金会研究生研究奖学金（DGE2139757）支持。
【全文结束】
