Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

זיהוי אוטומטי של אריתמיות ECG מרובות מחלקות באמצעות VMD ואופטימיזציה רב-משימתית

· חזרה לאינדקס

מדוע זה חשוב ללבבות יומיומיים

בעיות בקצב הלב יכולות להיות שקטות, פתאומיות ומסוכנות, ובכל זאת האינדיקציה הראשונה לעיתים קרובות היא פשוטה — פלטת אלקטרוקרדיוגרם. המחקר בוחן כיצד מחשבים יכולים לקרוא במהירות את העקבות החשמליות הללו כדי לזהות בו-זמנית מספר הפרעות קצב חמוריות, במטרה לתמוך ברופאים בהחלטות מהירות ואמינות יותר.

צפייה בדופק כאות

אלקטרוקרדיוגרם (ECG) הוא הקלטה של הדחפים החשמליים הזעירים שגורמים ללב להתכווץ בקצב סדיר. אצל אדם בריא, הגלים הללו נוטים לצורה סדירה, אך במצבים כמו פרפור עליות, פרפור חדרים וטכיקרדיה חדרית, הדפוס נעשה בלתי סדיר, מהיר יתר על המידה או כאוטי. קריאת קצבים אלה בעין היא מסורבלת ופגיעה לטעויות אנוש, במיוחד כאשר יש צורך לבדוק אלפי פעימות. ניתוח אוטומטי יכול לסייע על ידי המרה של כל פעימה למספרים שמחשב יכול להשוות ולסווג.

Figure 1. כיצד מחשבים הופכים עקבות חשמליות של הלב ב-ECG לאיתותים מהירים לזיהוי סוגים שונים של קצב לב חריג
Figure 1. כיצד מחשבים הופכים עקבות חשמליות של הלב ב-ECG לאיתותים מהירים לזיהוי סוגים שונים של קצב לב חריג

הפיכת עקבות מבולגנות לדפוסים משמעותיים

החוקרים פיתחו צינור עיבוד שלב-אחר-שלב שמתחיל מהקלטות ECG גולמיות ממספר מאגרי מידע ציבוריים ידועים. ראשית מנקים את האותות להסרת רעשים וארטיפקטים כך שתישאר רק פעילות הלב האמיתית. לאחר מכן מפצלים כל ECG למספר רכיבים פשוטים יותר באמצעות שיטה מתמטית שמפרידה בין תכולות בתדירויות נמוכות וגבוהות. מתוך רכיבים אלה המערכת מודדת תכונות רבות, כגון מידת האנרגטיות, אי-סדירות או סטייה אסימטרית של הגלים. התיאורים המספריים הללו לוכדים הבדלים עדינים בין קצב תקין לאריתמיות מסוכנות שעשויים להיות לא מובחנים בעין בלתי מזוינת.

לתת לאלגוריתם לבחור מה באמת חשוב

מכיוון שניתן לחלץ מאות מדדים מכל פעימת לב, לא כולם שימושיים באותה מידה. יותר מדי קלטים עלולים להאט תוכניות ואף לבלבל אלגוריתמים של למידה. כדי להתמודד עם זה, המחברים משתמשים בשיטת חיפוש בהשראת להקת ציפורים המתנהגת כמו קבוצה וירטואלית שחוקרת קומבינציות שונות של תכונות יחד. שיטה זו מנסה לשמור על דיוק גבוה תוך קיצוץ מדידות מיותרות. לאחר החיפוש נושארים רק כמחצית עד שליש מהתכונות המקוריות, היוצרות תיאור דחוס של כל פעימה שקל ומהיר יותר לעיבוד על ידי מחשבים.

Figure 2. מדריך שלב-אחר-שלב כיצד אות ECG מנוקה, מפורק לרכיבים ומוקטן לתכונות מרכזיות למטרת מיון קצבים
Figure 2. מדריך שלב-אחר-שלב כיצד אות ECG מנוקה, מפורק לרכיבים ומוקטן לתכונות מרכזיות למטרת מיון קצבים

מבחנים על מודלים רבים של למידה

עם אותן תכונות מוקטנות, הצוות מאמן ומעריך מספר מודלי למידת מכונה מתקדמים. אלה כוללים שיטות מבוססות עצים שבונות כללים רבים ומשלבותם, וכן שיטות boosting המתמקדות בפעימות שקשה לסווג. הם משווים ביצועים לפני ואחרי בחירת התכונות, ומתבוננים לא רק בדיוק הכולל אלא גם בתדירות שבה כל סוג קצב מזוהה נכון. לאחר האופטימיזציה כמה מודלים מגיעים לכ-99 אחוזי דיוק תוך ירידה משמעותית בזמן הריצה. המערכת מציגה תוצאות חזקות בכל ארבע מחלקות הקצב, כפי שאושש על ידי מטריצות שגיאה ועקומות ROC.

מה משמעות הדבר לטיפול בלב בעתיד

במילים פשוטות, עבודה זו מראה שניקוי מדוקדק של אותות ECG, פירוקם לחלקים משמעותיים ומתן חופש לשיטת חיפוש חכמה לבחור את המדידות הטובות ביותר יכולים להעניק למחשבים ראייה חדה לזיהוי בעיות קצב. בעוד שיש צורך בבדיקות נוספות על קבוצות מטופלים רחבות ומגוונות יותר, הגישה עשויה לשמש בסיס לכלי סינון אוטומטיים מהירים שמסמנים קצבים מסוכנים לרופאים ומסייעים להם למקד את תשומת הלב היכן שהיא נחוצה ביותר.

ציטוט: Krishna, Y.M., Vasavi, K.P., Chaitanya, M.K. et al. Automated multi-class ECG arrhythmia detection using VMD and multi-task optimization. Sci Rep 16, 15435 (2026). https://doi.org/10.1038/s41598-026-44103-5

מילות מפתח: ECG, אריתמיה לבבית, למידת מכונה, בחירת תכונות, קצב לב