每年，仅在美国，心脏心律失常就导致数十万例突发死亡。这些死亡发生在1980年开始使用的植入心脏复律除颤器可检测并终止心律失常之前。植入除颤器需要成本，因此选择合适的患者需要风险预测：未来心律失常的可能性越高，收益就越超过成本。目前风险预测的先进水平是通过心脏超声测量的生物标志物：心脏的左心室射血分数（LVEF）。降低的LVEF意味着高风险的突然心脏死亡，并且除颤器可以带来显著的生存益处。但LVEF有许多假阴性：大多数遭受突然心脏死亡的人并未在去世前测量LVEF，而在测量的患者中，只有少数人的LVEF降低。LVEF也有假阳性：对于因LVEF降低而植入的所有除颤器，三分之二从未提供拯救生命的电击，承担了所有植入的成本而没有任何益处。对LVEF局限性的日益认识促使许多人呼吁采取新方法，但LVEF仍然是广泛使用的唯一预测指标。这与其实际优势以及预测能力密切相关：LVEF是基于影像的生物标志物，测量它的超声波在全球范围内普遍可得并高度标准化（尽管存在轻微的观察者间变异）。尽管其他诊断方式表现出潜力，例如心脏磁共振成像（cMRI）、长期动态监测、电生理研究、正电子发射断层扫描（PET）、单光子发射计算机断层扫描（SPECT）和基因谱分析，这些昂贵且有时带有风险的检查不适合大规模筛查。在成本范围的另一端，心电图长期以来一直被审视为预测生物标志物，但还没有哪个具有足够的预测能力可以与LVEF竞争。此外，尽管心电图便宜，但编码心电图生物标志物需要人类专业知识，使数据收集成本高且可变，限制了其普遍适用性。将深度学习应用于心电图可以提供两者的最佳结合：一种无成本、广泛可用、标准化的图像，可以直接输入分类器，而无需人工输入来预测风险。如此分类器尚不存在的一个关键原因是缺乏与可靠死亡原因信息链接的大型心电图训练数据集。尽管在小规模病例对照数据集中取得了显著进展，但尚不清楚这些模型是否能推广到筛查人群的目标。在这里，我们使用来自瑞典的人口数据训练深度学习模型，将整个地区的心电图波形与死亡证明和电子健康记录相连。我们评估模型预测突然心脏死亡及其原因性心律失常的能力，并在独立的瑞典保留数据集中与LVEF进行比较。我们还测试模型在来自美国和台湾的两个多样化数据集上的推广能力。最后，为了可视化模型识别的生物标志物，我们训练一个生成模型以创建合成的高风险心电图。在瑞典数据锁定箱中的预测性能 突然心脏死亡本质上是神秘的：当患者在医院外突然去世时，很难知道发生了什么。我们认识到任何一种突然心脏死亡的定义都不可避免地存在不确定性，因此我们根据文献中的多种定义评估我们的模型：死亡证明、导致突然死亡的心律失常的诊断以及详细的图表复审。我们首先根据最直接的定义评估模型预测结果，这也是我们模型的训练标签：一份表明在心电图后一年内因心脏原因在医院外死亡的死亡证明。我们的主要分析是在一个40%的数据“锁定箱”中进行的：119,541个心电图，约有35,885名80岁以下的患者，特别是其中35,417名没有植入除颤器的患者的113,072个心电图。该锁定箱在任何数据分析或模型训练之前创建并保留，直到本手稿在《自然》杂志临时接受后才被触及。在原始提交版本中，我们的模型是在30%的随机样本上进行训练，并在另一个30%的样本中验证。在临时接受时，我们对所有使用过数据的60%患者（75,157名患者中的262,554个心电图）重新训练模型，并且没有进一步的修改，生成锁定箱的结果。该样本的描述请见表1，原始版本至现今手稿的所有变化请见补充信息第VII.A节。表1 瑞典数据锁定箱的总结统计