12导联心电图在预测短期和长期猝死风险中的表现

这对心脏病患者为什么重要

猝死常在毫无预警的情况下发生，且往往影响那些已知患有心脏病的人群。许多此类患者会定期进行心电图（ECG）检查，这是一种记录心脏电活动的简单测试。本研究针对患者与医生都关心的一个重要问题：标准12导联心电图中隐藏的信息，结合基本临床资料，能否可靠地分辨出谁将来会或近期内有猝死风险？

在日常心电检查中寻找预警信号

芬兰的研究者审查了在同一家心脏病医院接受冠状动脉造影（用于观察供血心脏血管的影像检查）的17,625名成年人的病历。这些患者已被视为高风险人群，因为许多人患有冠状动脉疾病或急性冠状动脉综合征（如心肌梗死）。在十六年的时间里，他们的常规心电图被数字化存储，总计约有五十万份记录——平均每人约17次心电图。研究团队还掌握了每位患者的详细健康信息、治疗情况和死因，并以中位随访时间7.5年进行追踪。

教计算机“读”电活动的故事

研究者没有让心脏科医生逐一目测这些心电图，而是依赖广泛使用的商业软件自动提取的数值。这些数值描述了心脏电活动的诸多方面：各波形的时长、在不同导联上的幅度以及是否存在房颤等心律问题。研究者用这套丰富的参数以及诸如年龄、心脏泵血功能和既往心脏病等基础临床因素，训练了一种名为梯度提升的高级机器学习方法，以区分后来发生猝死或密切相关事件的人与未发生该类事件的人。他们为三种情形构建了独立模型：仅用造影后首次心电图预测长期风险；仅用最后一次可得心电图评估短期风险；以及用最后一次心电图加上各心电图特征随时间变化的信息。

这些模型实际表现如何？

在用于构建模型的数据上，这些模型在纸面上看起来表现非常好，标准准确性指标显示近乎优秀的性能。但当研究者以更现实的方式进行测试时，结果变得更为温和。仅用单次基线心电图时，模型将未来猝死患者与他人区分开的能力达到约0.68的曲线下面积（AUC）——优于随机但远非完美。随访结束前的最后一次心电图单独使用时表现并未更好。加入临床风险因素后，性能略微提升，AUC值在约0.70–0.71之间。短期预测的最佳结果来自将最后一次心电图与多年间心电图特征的变化相结合，在完整测试集中达到约0.72的AUC。然而，当团队在经严格匹配的有无猝死患者之间进行公平比较时，这些值下降到0.6中段范围。

预测的现实局限

由于猝死相对罕见——即便在这个高风险群体中亦如此——另一个称为精确率-召回率（precision-recall）的指标给出了更为清醒的视角。模型正确标记出实际上会发生猝死的患者的能力仍然很低，平均精确率约在0.08–0.11之间。尽管这大致是偶然水平的两倍，但远低于可用于自信决定谁应接受植入式除颤器等侵入性预防治疗所需的水平。重要的是，本研究包含了许多心律不齐和严重共病的患者，这不同于早期更具选择性的研究。这样的选择使结果更具代表性，贴近日常临床实践，但也增加了预测的难度。

这对患者和医生意味着什么

简而言之，这项大规模研究表明，普通的12导联心电图即便由先进的计算机算法解读并与临床数据结合，也只能在程度上预测高风险心脏病患者中谁可能猝死。心电信号确实包含有用线索——尤其是当这些信号被随时间追踪时——但它们自身的预测能力不足以独立给出关于谁需要积极预防治疗的明确结论。目前，医生和患者仍需依赖更全面的评估，包括心脏功能、症状、其他并存疾病以及新兴工具，同时研究也在继续寻找更强且更可靠的预警信号。

引用: Hernesniemi, J.A., Pukkila, T., Rankinen, J. et al. Performance of the 12-lead ECG in predicting short- and long-term risk of sudden cardiac death. npj Digit. Med. 9, 317 (2026). https://doi.org/10.1038/s41746-026-02456-1

关键词: 猝死, 心电图, 机器学习, 风险预测, 冠状动脉疾病