AI avslöjar en dold EKG-markör för plötslig hjärtdöd

Plötslig hjärtdöd är en av de ledande dödsorsakerna i Sverige, liksom globalt. Ungefär hälften av alla fall orsakas av kranskärlssjukdom och i lika stor andel av fallen är händelsen den första manifestationen av hjärt-kärlsjukdom. Bland de individer som löper högst risk för plötsligt hjärtstopp finns möjlighet att implantera en ICD (implantable cardioverter defibrillator), som kan defibrillera maligna kammararytmier och således förebygga den absoluta merparten (>90%) av hjärtstopp. Dessvärre är det väldigt svårt att förutsäga vem som kommer att drabbas av ett hjärtstopp och därmed gynnas av en ICD. Existerande beslutsstöd är bristfälliga och det har visat sig vara närmast omöjligt att skapa en bra algoritm för att (1) förutsäga risken för hjärtstopp och (2) besluta om att implantera en ICD (Marijon et al).

Obermeyer, Lingman och kollegor,¹ har utvecklat en AI-modell som tränats på ett stort antal EKG för att förutsäga vem som senare drabbas av plötslig hjärtdöd. Med denna modell upptäckte de en tidigare okänd EKG-förändring som korrelerar med risken för plötslig hjärtdöd. Figuren nedan visar EKG-förändringen, som karaktäriseras av en nedåtsluttande terminal del av R-vågen.

Källa: A hidden predictor of sudden cardiac death uncovered by deep learning. Changxin Lai. Nature (2026)

Den identifierade EKG-förändringen

  • Placering: Förändringen ses i avledning aVL.
  • Morfologi: Det rör sig om en utslätad/fördröjd nedåtgående fas (slurred terminal aspect) av R-vågen i QRS-komplexet. Denna utslätning ersätter den skarpa, negativa S-våg som normalt syns hos lågriskpatienter.
  • Betydelse: Denna specifika formförändring har inte beskrivits i medicinsk litteratur tidigare. Forskarna hypotetiserar att den beror på spridd fibros (ärrvävnad) i hjärtmuskeln.

Övriga (kända) EKG-förändringar som modellen flaggade

Likhet med tidig repolarisation (early repolarization)

En utslätad nedåtgående fas av R-vågen i inferiora extremitetsavledningar och laterala bröstavledningar har beskrivits tidigare och korrelerats med plötslig hjärtdöd (MacFarlane et al; Haissaguerre et al). Detta är känt som tidig repolarisation (early repolarization). Dessa EKG-förändringar är sannolikt olika entiteter.

Studiens metodik

Obermeyer et al tränade en AI-algoritm, ett så kallat djupt neuralt nätverk, på mer än 260000 EKG från personer i Sverige. Dessa individer matchades mot dödsorsaker via dödsorsaksregistret. Modellen flaggade omkring 2% av personerna i testgruppen som högriskpatienter, och denna grupp hade en årlig incidens av plötslig hjärtdöd på 7%, vilket är högre än de 4.6% som observerats hos personer som identifierats som högrisk via nedsatt vänsterkammarfunktion. En validering av modellen med hjälp av data från USA och Taiwan bekräftade att modellens prestanda är generaliserbar.

De kliniska och konceptuella implikationerna av detta arbete är betydande. Studien identifierar ett tidigare okänt EKG-mönster genom användning av AI, och reproducerar resultaten i andra populationer. Studien är oerhört välgjord och omfattande, och intresserade läsare hänvisas till publikationen för ytterligare detaljer.


Araz Rawshani

Professor, Specialistläkare kardiologi

Göteborg


Referenser

An ECG biomarker for sudden cardiac death discovered with deep learning Ziad Obermeyer, Alexander Schubert, James Ross, Sendhil Mullainathan & Markus Lingman Nature volume 655, pages210–218 (2026)

Gratis fickhandbok

Gå med i vårt nyhetsbrev och få vår fickhandbok för EKG-tolkning helt gratis.

Lär dig EKG-tolkning, kardiologi och mer