一句话看懂：伦敦帝国理工学院团队训练出一套 AI 系统，能在两秒内读取常规心电图，识别出医生从同一份心电图上无法可靠发现的心力衰竭和心脏瓣膜病迹象，准确率最高分别达到 81% 和 90%。这套系统不是替代医生，而是作为一种分诊工具，帮助优先安排高风险患者做进一步超声检查。
事件核心：发生了什么
在慕尼黑举行的欧洲心脏病学会大会上，帝国理工学院研究人员展示了这套 AI 心电图分析系统。研究覆盖了美国 6.7 万名患者，系统识别心力衰竭病例的准确率最高为 81%，识别心脏瓣膜病最高为 90%，而这两种疾病原本并不是通过心电图来诊断的。主导研究的英国心脏基金会临床研究员 El-Medany 博士称其为“超人 AI”，但他补充说，这更多意味着心电信号里本来就包含相关信息，只是医生无法靠肉眼稳定提取。
团队基于 160 万份巴西心电图记录（这些记录与患者后续诊断结果相关联）以及数百万份美国数据训练模型。除心衰和瓣膜病外，模型还可识别心脏病发作和心律失常，并尝试筛查糖尿病、肾病等心内科之外的疾病，相关准确率在 70% 到 80% 之间。研究已通过衍生公司 Cardiovolt.ai 进行商业化，Ng 教授任首席医疗官。
为什么重要
这项研究的核心价值在于把“低成本、高频次”的检查和“高成本、低频次”的诊断能力连接起来。心电图只需 10 个电极和一名护士即可完成，费用低、数量大；而超声心动图需要专业技师、专门设备和预约，患者往往要排队数月。AI 介入的意义不在替代医生，而是对已经采集的心电图数据做二次分析，把最可能需要干预的患者提前分流出来。
从技术路线来看，这项研究依赖的是“纵向关联数据”——巴西数据集中记录了患者后续的真实诊断结果，这让模型学到的是“何种心电图模式对应未来疾病”，而非简单识别检查时已确诊的病症。这种训练方法对医疗 AI 数据的构建方式有参考价值。另一个值得注意的点是：利用现成的低成本测试叠加软件分析，意味着规模化部署的边际成本很低，不必大规模新增医疗设备。
对用户/开发者/创作者的影响
对医疗行业开发者而言，此案例提供了一个明确的工程路径：不是重新发明传感器，而是基于已有检查数据做模式挖掘，重点在于获取带有长期随访结果的训练集。对于考虑采购 AI 临床工具的医院或管理者，这套系统目前仍处于学术验证阶段，尚未完成英国医疗器械监管审批，不能直接部署到临床流程中。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对普通患者来说，这项技术短期内不会直接改变就诊体验，但可能影响排队优先级——如果你做的心电图被 AI 判定为高风险，可能会更快被安排做超声检查。开发者如果想在类似方向布局，需要意识到关键门槛不是模型本身，而是临床验证、监管合规以及与现有医疗工作流的整合。
值得关注的后续
第一，团队明确提出下一步是开发内置 AI 的掌上心电图设备，这意味着应用场景将从医院分诊扩展到院外筛查，但也会改变系统定位——从帮助医生排序现有患者，变成发现尚未转诊的潜在患者，这会牵扯更大的伦理和监管问题。第二，英国目前对这种 AI 工具的监管路径尚无明确落地答案：它做出的是临床判断，需要满足医疗器械相关要求，从学术报告到常规使用还有一段距离。第三，值得观察 Cardiovolt.ai 是否能拿到更大规模的海外临床数据做前瞻性验证，以及是否有医院系统愿意把 AI 分诊结果纳入正式转诊流程。
来源：The Next Web
