מודל למידת-עמוק ל־ECG לזיהוי ומיקום של אוטם שריר הלב חסימתי

מדוע זה חשוב במקרים של התקפי לב

כאשר אדם חווה התקף לב, כל דקה ללא טיפול עלולה להרוס רקמת לב. בדרך כלל רופאים מסתמכים על רישום לב מהיר הנקרא ECG ובדיקות דם כדי להחליט מי זקוק לפינוי דחוף לחדר הצנתורים. אך כלים אלה לעתים מפספסים חסימות מסוכנות או מסמנים אנשים שלמעשה אינם זקוקים לפרוצדורה מיידית. המחקר הזה מראה כיצד בינה מלאכותית יכולה לקרוא ECGs כדי לזהות ואפילו לאתר חסימות חמורות באופן מדויק יותר, מה שעשוי לסייע בהובלת המטופלים הנכונים לטיפול מציל חיים מהר יותר.

מחפשים "צינורות" חסומים בלב

לא כל התקפי הלב זהים. חלקם נגרמים מעורק כלילי חסום באופן מלא או כמעט מלא — מצב שהמחברים מתארים כאוטם שריר לב חסימתי (occlusion myocardial infarction). אלה המטופלים הזקוקים באופן הדחוף ביותר להליך לפתיחת העורק. הבעיה היא שהספר הנהלים הרגיל מתמקד בתבנית הנקראת עליה של ST ב־ECG, שמתגלת רק בחלק מהמקרים המסוכנים האלה ויכולה להיות נגרמת על ידי מצבים אחרים. כתוצאה מכך, חלק מהמטופלים מפוספסים בעוד אחרים עוברים פרוצדורות פולשניות מיותרות. החוקרים ביקשו לבנות מודל ממוחשב שיוכל לבחון את אות ה־ECG הגולמי ולהכיר הן את נוכחות החסימה האקוטית והן את איזה מהעורקים הראשיים מעורב.

אימון מודל על מאות אלפי ECGs

הצוות השתמש בנתונים ממאגר המחלקות לטיפול נמרץ בשוודיה, שמקשר ביקורי חירום, הקלטות ECG ותוצאות מפורטות של הליכי צנתור לב. הם אספו יותר מ־540,000 ECGs של כ־226,000 מבוגרים שהגיעו לחדרי מיון באזור סטוקהולם בין 2005 ל־2016. עבור כל מקרה אוטם, הרופאים שביצעו אנגיוגרפיה כבר קבעו האם הייתה חסימה מלאה טרייה ואיזה כלי דם ראשי היה האחראי. תוך שימוש בממצאי הפרוצדורה האובייקטיביים הללו כעובדת יסוד, החוקרים אימנו מודל למידת-עמוק, סוג של רשת נוירונים היכולה לזהות דפוסים מורכבים באותות, כדי לסווג ECGs למספר קטגוריות, כולל אוטם חסימתי מול לא חסימתי ואת כלי הדם האחראי הספציפי.

כמה טוב המודל מזהה סכנה

בנתוני בדיקה שווודיים שנשמרו בצד, המודל הציג יכולת גבוהה מאוד להבחין בין חסימות אקוטיות למטופלים אחרים. מדד הביצוע שלו, סטטיסטיקת C, הגיע לפחות ל־0.95 לזיהוי אוטמים חסימתיים ולפחות 0.87 לאוטמים לא־חסימתיים. בקצב אזעקות חיוביות שגויות נמוך של 5 אחוזים, המודל זיהה נכון כ־87 אחוז מהמקרים החסימתיים. הוא גם הצליח לקבוע איזה מהשלושה העורקים הראשיים חסום, למרות שהבחנה בין שני מיקומי עורק מסוימים שנחשבים קשים גם למומחים אנושיים נשארה מאתגרת. בין גילאים, מינים, סוגי מכשירי ECG ושנות לוח שנה שונות, הביצועים נשארו דומים באופן כללי, עם דיוק מעט טוב יותר בקרב מטופלים צעירים יותר ובאלה ללא בעיות הולכה לבבית כרוניות מסוימות.

בדיקת המודל במדינות אחרות

כדי לבדוק אם הכלי יעמוד במבחן מחוץ לשוודיה, המחברים בחנו אותו על שלוש אוספי ECG נוספים מאירופה וברזיל. בקבוצת מיון ברזילאית עם תוויות מבוססות אנגיוגרפיה, המודל עדיין הפריד היטב בין אוטמים חסימתיים לקבוצת בקרה, במיוחד במקרים שהציגו עליה קלאסית של ST. בשני מאגרים גדולים שבהם היו זמינים רק תוויות רחבות יותר כמו אוטם עם עליה ב‑ST וחסימת הולכה נפוצה, המודל גם הופיע חזק. למעשה, לחיזוי אוטמים עם עליה ב‑ST באחד ממאגרי המידע הללו, המודל השוודי עלה על מודל אחר שאומן ישירות על תוויות מקומיות המיוחסות על ידי בני אדם, מה שמרמז שאימון על תוצאות צנתור אובייקטיביות יכול לתת למערכת הבנה עמוקה יותר של המחלה הבסיסית.

מה זה יכול להעניק למטופלים

העבודה מראה שמודל מחשב יכול להשתמש ב‑ECGs שגרתיים, יחד עם מידע בסיסי כמו גיל ומין, כדי לזהות במהירות אילו מטופלים סביר שיחוו חסימה טרייה של עורק הלב ולאן החסימה שייכת. מאחר שהשיטה אינה מסתמכת על בדיקות דם או על הסכמה של רופאים לגבי דפוסים עדינים ב‑ECG, היא עשויה לקצר את הזמן מקשר רפואי ראשון ועד לפתיחת העורק ולהקטין פרוצדורות חירום מיותרות. המחברים מדגישים שהכלי שלהם עדיין צריך להיבדק בניסויים קליניים העוקבים אחר תוצאות מטופלים לפני שישולב בשגרה הקלינית, אך הוא מצביע על עתיד שבו ניתוח חכם של ECG מסייע להבטיח שהאנשים הנכונים יגיעו לחדר הצנתורים בזמן הנכון.

ציטוט: Gustafsson, S., Ribeiro, A.H., Gedon, D. et al. A deep learning ECG model for identification and localization of occlusion myocardial infarction. Nat Commun 17, 4336 (2026). https://doi.org/10.1038/s41467-026-73023-1

מילות מפתח: אלקטרוקרדיוגרמה, למידת-עמוק, אוטם שריר הלב, חסימת עורק כלילית, בינה מלאכותית רפואית