Nature medicine | 临床医生联合开展一项整群随机临床试验：通过人工智能心电图检测未诊断的肝硬化

肝脏，人体内最沉默的器官之一。它可以在受损严重的情况下依然维持基本功能，直到出现腹水、消化道出血等致命并发症时，患者才初次就医，而此时往往已错过最佳干预时机。数据显示，全球约有2-5%的人口患有晚期慢性肝病（即肝硬化），但其中很大一部分人对此毫不知情。

• 肝脏活检：虽是金标准，但存在创伤、出血风险和取样误差，无法作为大规模人群的筛查工具。

• 影像学检查（如瞬时弹性扫描）：设备昂贵，在基层医疗机构和农村地区普及度低。

• 血液生物标志物组合（如FIB-4指数）：虽然相对便捷，但其计算依赖多项指标（如年龄、血小板、转氨酶），且论文数据显示，在实际临床环境中，仅有27%的患者拥有计算FIB-4所需的全部指标，其准确性在低患病率人群中也不尽如人意。

本文研究的核心突破，在于将一种常规、廉价、广泛开展的检查——心电图（ECG），与深度学习技术相结合，实现了对肝脏健康状况的“跨界”感知。

原理并不神秘：

肝硬化不仅仅是肝脏本身的病变，它会引发一系列全身性的生理变化，尤其是在心血管系统。肝硬化会导致心肌收缩力减弱、电活动异常，这些细微的变化在12导联心电图上会留下独特的“印记”。

研究团队利用一个包含77,507人的大型数据库，训练了一个神经网络模型。这个模型学习的目标，不是传统意义上的心律失常或心肌缺血，而是从心电图的波形和时序中，解码出与晚期慢性肝病相关的深层模式特征。

为了验证这个模型在真实临床环境中的有效性，研究团队进行了一项实用性的整群随机对照试验，这在AI医学研究中极具说服力。

图 1 | CONSORT 流程图。

他们纳入了98个基层医疗团队，近1.6万名成年患者。干预组的医生在患者心电图结果为“阳性”（即AI模型提示高肝硬化风险）时会收到提醒，而对照组的医生则看不到这个结果。随后，研究团队跟踪了180天内，两组患者中新确诊晚期肝病的比例。

图 5 | 慢性肝病（CLD）累积诊断随时间的变化。

关键数据：

• 整体人群：干预组的新确诊率是1.0%，而对照组仅为0.5%。这意味着，仅仅通过一个提醒，就让肝硬化的诊断率提升了2倍（OR 2.09）。

• AI阳性人群（高风险人群）：效果更为显著。在AI模型标记为高风险的患者中，干预组的新确诊率飙升至4.4%，而对照组仅为1.1%，诊断率提升了近4倍（OR 4.37）。

• 对任何阶段肝纤维化的检出：同样，干预组检出率（1.7%）远高于对照组（0.5%），尤其是在高风险人群中，检出率从1.1%提升至8.4%，提升了超过7倍（OR 8.03）。

这些数据清晰地表明，AI-ECG模型不仅有效，而且其影响力在高风险人群中呈指数级放大。此外，研究还发现，那些因AI提醒而获得进一步检查并被确诊的患者，其发生肝功能失代偿（肝硬化晚期表现）的比例（8%）远低于未被提醒组的患者（31%），侧面印证了早期发现的临床获益。

这项研究的价值，远超肝病筛查本身。它揭示了一个全新的范式：我们正在从“为特定目的而进行检查”，转向“从已有常规数据中挖掘疾病信号”。

• 对医疗行业：心电图是糖尿病、高血压等心血管风险人群的常规检查。这意味着，全球数以亿计的“三高”人群，他们的每一次常规心电图检查，都可能在不增加任何成本和负担的情况下，同步完成一次肝病筛查。这极大地提升了基层医疗的“作战能力”。

• 对商业价值：该模型的算法已被申请专利，并授权给初创公司Anumana。这标志着“AI+常规生物信号”的商业模式正在成型。未来的竞争，将不再仅仅是谁拥有新的影像设备，而是谁能从海量的、未被充分利用的常规医疗数据（心电图、脑电图、甚至生命体征监测数据）中，率先挖掘出高价值的诊断洞察。

• 对疾病预防：正如论文所言，随着针对肝纤维化的药物（如Resmetirom）获批上市，早期发现不再是“无药可医”的安慰，而是真正开启了逆转病程、降低终末期肝病负担的可能性。AI筛查将成为连接诊断与新型治疗的关键桥梁。

尽管前景光明，作为《麻省理工科技评论》，我们必须以冷静的视角审视这项研究的局限性。

研究显示，尽管AI发出了预警，但仅有约16% 的阳性患者接受了医生推荐的进一步检查。临床判断、患者偏好、行政负担是阻碍落地的三大因素。技术本身无法解决所有问题，如何设计工作流程，让AI建议“无缝”融入医生的决策路径，是商业化落地的第一道坎。

研究队列中，96%的患者为白人。该模型在其他种族和民族（如亚裔、非裔等，这些人群的肝病流行病学特征和心电图模式可能存在差异）中的表现尚属未知。任何模型的普适性都需要在更广泛、更多样化的人群中得到验证。

研究中，许多确诊依赖于无创检查（如FibroTest、弹性成像），而非肝脏活检这一金标准。这虽然符合临床实践伦理，但不可避免地存在一定的假阳性或假阴性风险，可能会影响对AI模型真实效能的评估。

这项研究是一次精彩的“破壁”尝试，它证明了AI有能力从看似不相关的、海量的常规医疗数据中，解锁新的疾病维度。它并非要取代现有诊断路径，而是为这个路径提供了一个效率更高、覆盖更广的“入口”。未来，我们面临的挑战不再是技术本身，而是如何构建一个能让AI、医生和患者高效协作的生态系统，让这项“心电图上的肝病侦探”真正惠及每一位在沉默中等待发现的病人。