利用 AI 强化的个性化心脏治疗方法：来自 ECG 数据的见解

为何更智能的心脏检测很重要

当医生开具影响心脏的药物时，他们依赖心电图（ECG）来确认治疗的安全性。但许多药物只在心跳上留下微妙的“指纹”，肉眼不易察觉。本研究探讨了人工智能如何更精确地读取 ECG 波形，帮助医生判断是哪种药物或药物组合影响了心脏，并为更个性化、更安全的心脏护理打开可能性。

在心跳中寻找隐匿的药物效应

研究者将注意力集中在一个长期存在的安全问题上：某些药物会扰乱心脏电节律，增加危险性心律失常的风险。传统上，医生主要关注一个 ECG 指标——QT 间期，但这一单一尺规常常遗漏重要细节。不同药物及其组合可能以复杂的方式改变心跳的多个部分。团队提出问题：计算机模型能否从数据中学习这些模式，并可靠地将 ECG 根据产生它们的治疗分类。

从 ECG 信号构建丰富图景

为了解决这一问题，研究使用了来自一项严格对照试验的公开数据库，该试验包含 22 名健康志愿者。每位受试者接受了若干药物方案，包括已知影响心律的药物单用、与其他药物的联合用药，以及安慰剂。每个给药时期都记录了标准的 12 导联 ECG 并采集了血样。研究团队并没有把原始波形直接输入模型，而是先对信号进行清理，然后提取描述每次心跳的一组详细特征：电冲动通过心脏所需的时间、心脏在两次心跳间恢复时 T 波的升降形态，以及心跳间期的变异程度等。

训练 AI 识别治疗“指纹”

基于这些特征，作者训练并比较了三种常见的机器学习模型。其中两种——随机森林（Random Forest）和 XGBoost——是基于树的方法，通过许多简单决策规则的组合来学习；第三种支持向量机（Support Vector Machine）是更传统的分类器。模型被要求将每段 ECG 分配到十种可能的治疗编码之一。经过仔细调参和交叉验证，XGBoost 达到约 98% 的准确率，随机森林紧随其后约 97%，而支持向量机则远低于二者。表现最好的模型不仅在预测上准确，而且在所有治疗组之间都表现稳定可靠。

模型揭示了哪些心跳特征重要

除了原始评分外，团队还检查了哪些 ECG 特征对基于树的模型最重要。两种方法反复强调了 QRS 波群时长、PR 间期以及若干 T 波特征（如高度和形状）是判断药物治疗的最强线索。这些发现与临床知识高度一致：这些 ECG 部分反映了电信号在心脏内的传播以及心室在心跳间的复极过程，而这些过程常受多种药物影响。当相同流程在包含不同药物的独立数据库上测试时，模型再次取得了强劲表现，且无需重新训练，表明所学到的规则并不局限于单一研究。

这对未来护理意味着什么

简单来说，这项工作表明 AI 能学会以一种捕捉不同药物对心脏综合、微妙影响的方式来解读 ECG。医生未来或可不再依赖一两个手动测量指标，而是使用此类模型同时扫描大量 ECG 特征，快速标记出对某药物反应存在风险的患者。尽管该研究仍需扩展到更大、更具多样性的人群，但它为使用数据驱动工具微调心脏治疗奠定了坚实基础，从而让每位患者既能获得有效疗法，又能最大限度降低对心脏的风险。

引用: Tiwari, V., Gupta, R., Telang, A. et al. AI-enhanced approaches for personalized cardiac treatment: insights from ECG data. npj Syst Biol Appl 12, 72 (2026). https://doi.org/10.1038/s41540-026-00702-6

关键词: 心电图, 机器学习, 药物安全, 心律失常, 个性化医学