שחזור נתוני ECG מבוסס בינה מלאכותית וסיווג מחלות לב וכלי דם (CEDRC-network)

מדוע ניקוי אותות הלב חשוב

כל פעימת לב משאירה חותם חשמלי שרופאים קוראים כדי לזהות בעיות מוקדם. אבל בבתי חולים מציאותיים, הקלטות האלקטרוקרדיוגרם (ECG) לעתים קרובות רעועות או חלקיות כי המטופלים זזים, האלקטרודות מחליקות או שהמכשור תקול. מחקר זה מציג מערכת חכמה, בשם CEDRC‑Net, שמנקה אוטומטית ECG רועשים, משלימה קטעים חסרים ומסייעת לאחר מכן בסיווג כמה בעיות קצב שכיחות. על‑ידי הפיכת הקלטות פגומות לשימושיות במקום לזרוק אותן, הגישה יכולה לתמוך בטיפול מהיר ומהימן יותר בלב עבור מספר רב של מטופלים בו זמנית.

מנתוני בתי חולים מהעולם האמיתי לצנרת חכמה יותר

החוקרים בנו ובדקו את המערכת שלהם על אוסף MIMIC‑IV‑ECG הגדול: כ‑800,000 הקלטות של עשר שניות עם 12 מובילים מתוכם כ‑160,000 חולים, מקושרות לרשומות קליניות. במקום לעצב “קופסה שחורה” אחת לא ברורה, הם חילקו את התהליך לשלבים שמשקפים איך מומחה אנושי עשוי לפעול: קודם מנקים את האות, אחר כך מתקנים חלקים פגומים, ואז מחפשים דפוסי מחלה. עיצוב מודולרי זה מקל על בדיקה של מה שכל שלב עושה ועל התאמת המערכת להגדרות או ציוד שונים בבתי חולים.

ניקוי האות מבלי למחוק את הסיפור

השלב הראשון מתמודד עם אחת הבעיות הבסיסיות ב‑ECG יומיומיים: רעש. תזוזות שרירים, חיבורים רופפים או מכשירים אחרים יכולים לעקם את הגלים העדינים שנושאים מידע על תפקוד הלב. כדי להתמודד עם זה, הקבוצה משתמשת באוטו‑אנקודר מפחית רעש קונבולוציוני זמני (Temporal Convolutional Denoising Autoencoder, TCDAE). בפשטות, המודל לומד כיצד גלי ECG נורמליים אמורים להיראות ואז ממיר קלטים רועשים לגירסאות נקיות יותר תוך שמירה על צורות מפתח כגון זקיפת QRS החדה וגלי P ו‑T הרחבים יותר. בדיקות שהשוו בין האותות המקוריים לנקיים הראו שגיאה נמוכה ודמיון חזק, כלומר המודל הסיר רעש משמעותי בלי למחוק פרטים רפואיים חשובים.

מילוי חוסרים באמצעות חיזוי מתקדם

ECG אמיתיים אינם רק רעשים; הם גם עלולים לכלול קטעים חסרים כאשר אלקטרודות נופלות או הקלטות מופרעות. כדי לבדוק זאת, המחברים סימלו מקטעים חסרים בשלוש רמות — 10%, 30% ו‑50% — ואז ניסו לשחזר את הקו המלא. הם השוו שתי משפחות של כלים מודרניים בבינה מלאכותית. אוטו‑אנקודרים ואריאציונליים (Variational Autoencoders, VAEs) פועלים על ידי דחיסת האות לקוד סמוי ואז בנייתו מחדש, בעוד Temporal Fusion Transformers (TFTs) מותאמים לסדרות זמן ומשתמשים במנגנוני תשומת לב כדי להתמקד בחלקים הממפורמטים ביותר של הרצף. שניהם הצליחו לשחזר גלגולים ריאליסטיים אפילו כאשר חצי מהנתונים חסרו, אך ה‑TFT היו מדויקים הרבה יותר: שגיאות השחזור שלהם היו בערך חמש עד עשר פעמים קטנות יותר מאלו של ה‑VAE, בהתאמה לסטייה של כ‑1–2% בלבד מהאמפליטודה הנורמליזована של ה‑ECG.

הפיכת אותות מתוקנים להחלטות על מחלות לב

לאחר שה‑ECG נאיבו ותוקנו, השאלה המעשית הייתה: האם האותות המשופרים האלה אכן עוזרים לזהות מחלות? המחברים חילצו תכונות בעלות משמעות רפואית, כגון מרווחי זמן בין פעימות ומשך וכיוון גלים מרכזיים, והזינו אותן למגוון מסווגי למידת מכונה סטנדרטיים (כולל מכונות וקטורים תומכות, יערות אקראיים, Gradient Boosting ו‑XGBoost). הם התמקדו בהבחנה בין קצבים כמו קצב סינוס תקין, פרפור פרוזדורים, ברדיקרדיה סינוסית וטכיקרדיה. הן בהקלטות שלמות והן בהקלטות שנפגעו באופן מדומה, תכונות שנגזרו מאותות משוחזרים ב‑TFT הניבו בעקביות דיוק, דיוק (precision) וציון F1 גבוהים יותר מאשר תכונות משוחזרות ב‑VAE. במקרים רבים, מודלים שהשתמשו באותות משופרים על‑ידי TFT הגיעו לכ־98–98.4% דיוק.

מה משמעות הדבר עבור מטופלים ורופאים

עבור מטופלים, המסקנה המרכזית היא שה‑ECG בלתי מושלמים כבר לא חייבים להוביל לתשובות לא ודאיות. CEDRC‑Net מראה ששילוב של הסרת רעש, מילוי חכם של פערים וכלים מוכרים לסיווג יכול להפוך גם הקלטות פגומות לקלט אבחוני מהימן. המחקר מדגים גם ששיטות מבוססות טרנספורמר כמו TFT חזקות במיוחד בשימור דפוסי תזמון עדינים שמגלים בעיות לב, כשהן עוקפות מודלים גנרטיביים מסורתיים יותר. אם תיושמנה ותאומתנה במרפאות שונות, צנרת כזו עלולה להקל על העומס על קרדיולוגים, לתמוך בזיהוי מוקדם של קצבים מסוכנים ולשפר טיפול במצבים עמוסים או בעלי משאבים מוגבלים שבהם קשה להשיג ECG נקי וללא הפרעות.

ציטוט: Khan, M.R., Haider, Z.M., Hussain, J. et al. AI based ECG data recovery and cardiovascular diseases classification (CEDRC-network). Sci Rep 16, 11733 (2026). https://doi.org/10.1038/s41598-026-46232-3

מילות מפתח: אלקטרוקרדיוגרם, מחלות לב וכלי דם, למידה עמוקה, שחזור אותות, סיווג הפרעות קצב