用于识别和定位梗阻性心肌梗死的深度学习心电图模型

这对心脏病发作为何重要

当有人发生心脏病发作时，每一分钟未得到治疗都可能导致心肌坏死。医生通常依靠一种快速的心脏记录——心电图（ECG）和血液检测来判断谁需要立即进入手术室。但这些工具常常会漏诊危险性堵塞或将不需要紧急手术的人错误判为需要。本研究展示了人工智能如何读取心电图，以更准确地发现甚至定位严重堵塞，从而有助于更快地将合适的患者送往挽救生命的治疗。

在心脏中寻找堵塞的“管道”

并非所有心脏病发作都相同。有些由冠状动脉完全或近乎完全堵塞引起，作者将这种情况称为梗阻性心肌梗死。这类患者最需要尽快进行血管再通手术。问题在于，现行标准手册侧重于心电图上的ST段抬高模式，而这种模式只出现在一部分危险病例中，并且也可能由其他情况引起。因此，一些患者被漏诊，而另一些人则接受了不必要的侵入性手术。研究人员着手构建一个计算机模型，能够直接查看原始心电信号，识别急性堵塞的存在并判定涉及哪条主要冠状动脉。

在数十万条心电图上训练模型

研究团队使用了瑞典急诊数据库的数据，该数据库将急诊就诊、心电图记录和详细的心导管检查结果关联起来。他们收集了超过54万条心电图，来自大约22.6万名在2005年至2016年间到斯德哥尔摩地区急诊就诊的成年患者。对于每例心肌梗死，进行血管造影的医生已确定是否存在新近的完全堵塞以及是哪条主要血管负责。研究者以这些客观的手术发现作为真实标签，训练了一个深度学习模型——一种能识别信号中复杂模式的神经网络，将心电图分类为多种类别，包括梗阻性与非梗阻性心肌梗死及具体的致病血管。

模型识别危险程度如何

在保留的瑞典测试数据中，该模型在区分急性堵塞与其他患者方面表现非常强劲。其性能衡量指标C统计量在检测梗阻性心肌梗死时至少达到0.95，在非梗阻性心肌梗死时至少达到0.87。在5%低误报率下，模型正确识别了约87%的梗阻病例。它在判断三条主要冠状动脉中哪一条被堵塞方面也表现良好，尽管区分其中两个特定动脉位置仍具有挑战性，即便对人类专家亦然。跨越不同年龄、性别、心电图机型和历年数据，性能总体保持相似，在年轻患者及无某些长期心脏传导问题的患者中准确性略好。

在其他国家测试该模型

为了检验该工具在瑞典以外的适用性，作者在来自欧洲和巴西的另外三组心电图集合上进行了测试。在一组具有造影结果标注的巴西急诊队列中，模型仍能很好地区分梗阻性心肌梗死与对照组，尤其是在出现典型ST段抬高的病例中。在另外两组只有更宽泛标签（例如ST段抬高心肌梗死和常见传导阻滞）的数据库中，模型也表现强劲。事实上，在其中一个数据集中，用于预测ST段抬高心肌梗死时，瑞典训练的模型表现优于另一个直接以本地人工标注训练的模型，这表明以客观的导管检查结果作为训练标签能让系统对基础疾病有更深入的把握。

这对患者可能意味着什么

该研究表明，计算机模型可以利用常规心电图以及年龄、性别等基本信息，快速识别哪些患者可能存在新近堵塞的冠状动脉以及堵塞的具体位置。由于该方法不依赖血液检测或医生对细微心电图模式的主观一致性，它可能缩短从首次接触医疗到血管再通的时间，并减少不必要的急诊手术。作者强调，他们的工具仍需在追踪患者结局的临床试验中验证，方能用于常规护理，但这预示着一个前景：智能心电图分析将有助于确保合适的患者在适当时机进入心导管室。

引用: Gustafsson, S., Ribeiro, A.H., Gedon, D. et al. A deep learning ECG model for identification and localization of occlusion myocardial infarction. Nat Commun 17, 4336 (2026). https://doi.org/10.1038/s41467-026-73023-1

关键词: 心电图, 深度学习, 心肌梗死, 冠状动脉梗阻, 医疗人工智能