Model uczenia głębokiego analizujący EKG do identyfikacji i lokalizacji zawału z zamknięciem naczynia

Dlaczego to ma znaczenie przy zawałach

Gdy dochodzi do zawału, każda minuta bez leczenia może zabijać mięsień sercowy. Lekarze zazwyczaj polegają na szybkim zapisie serca, zwanym EKG, oraz badaniach krwi, by zdecydować, kto potrzebuje pilnego transportu na zabieg. Jednak te narzędzia często pomijają groźne zatory albo wskazują na konieczność zabiegu u osób, które go naprawdę nie potrzebują. W tym badaniu pokazano, jak sztuczna inteligencja może czytać EKG, by dokładniej wykrywać i nawet lokalizować poważne zatkania, co może pomóc szybciej kierować odpowiednich pacjentów do ratującej życie terapii.

Szukając zatkanych „rur” w sercu

Nie wszystkie zawały są takie same. Niektóre wynikają z całkowitego lub prawie całkowitego zatkania tętnicy wieńcowej — sytuacji, którą autorzy nazywają zawałem z zamknięciem naczynia. To właśnie ci pacjenci najpilniej potrzebują zabiegu przywracającego drożność tętnicy. Problem w tym, że standardowe wytyczne skupiają się na wzorcu zwanym uniesieniem odcinka ST w EKG, który występuje tylko w części tych groźnych przypadków i może być spowodowany innymi schorzeniami. W efekcie niektórzy pacjenci są pomijani, a inni poddawani są niepotrzebnym, inwazyjnym procedurom. Badacze postanowili stworzyć model komputerowy, który mógłby analizować surowy sygnał EKG i rozpoznać zarówno obecność ostrego zatkania, jak i wskazać, która z głównych tętnic jest sprawcą.

Trenowanie modelu na setkach tysięcy EKG

Zespół wykorzystał dane ze Szwedzkiej Bazy ED, która łączy wizyty na ostrym dyżurze, zapisy EKG i szczegółowe wyniki z badania cewnikowania serca. Zgromadzili ponad 540 000 EKG od około 226 000 dorosłych pacjentów, którzy trafili na oddziały ratunkowe w rejonie Sztokholmu w latach 2005–2016. Dla każdego przypadku zawału lekarze wykonujący angiografię już wcześniej ustalili, czy wystąpiło świeże całkowite zamknięcie i która główna tętnica była odpowiedzialna. Korzystając z tych obiektywnych wyników procedury jako prawdy podstawowej, badacze przeszkolili model głębokiego uczenia — rodzaj sieci neuronowej potrafiącej rozpoznawać złożone wzorce w sygnałach — do klasyfikacji EKG w kilka kategorii, w tym zawał z zamknięciem versus zawał bez zamknięcia oraz określenia konkretnego naczynia sprawczego.

Jak dobrze model wykrywa zagrożenie

W danych testowych ze Szwecji, które nie uczestniczyły w treningu, model wykazał bardzo silną zdolność rozróżniania ostrych zatkań od innych pacjentów. Jego miara wydajności, statystyka C, osiągnęła co najmniej 0,95 dla wykrywania zawałów z zatkaniem i co najmniej 0,87 dla zawałów bez zatkania. Przy niskim współczynniku fałszywych alarmów wynoszącym 5 procent model prawidłowo zidentyfikował około 87 procent przypadków z zatkaniem. Dobrze radził sobie także z określeniem, która z trzech głównych tętnic wieńcowych była zatkana, choć rozdzielenie dwóch konkretnych lokalizacji tętnic — trudne nawet dla ekspertów — pozostało wyzwaniem. W różnych grupach wiekowych, płci, typach aparatury EKG i latach kalendarzowych wydajność była ogólnie podobna, z nieco lepszą dokładnością u młodszych pacjentów i u osób bez pewnych długotrwałych zaburzeń przewodzenia serca.

Testowanie modelu w innych krajach

Aby sprawdzić, czy narzędzie zadziała poza Szwecją, autorzy przetestowali je na trzech dodatkowych zbiorach EKG z Europy i Brazylii. W brazylijskiej kohorcie ratunkowej z etykietami opartymi na angiografii model nadal dobrze odróżniał zawały z zatkaniem od kontroli, szczególnie w przypadkach z klasycznym uniesieniem odcinka ST. W dwóch dużych bazach, gdzie dostępne były tylko szersze etykiety, takie jak zawał ze STEMI i powszechny blok przewodzenia, model również osiągał dobre wyniki. Co więcej, przy przewidywaniu zawałów ze STEMI w jednym z tych zbiorów model szwedzki przewyższył inny model trenowany bezpośrednio na lokalnie przypisanych etykietach, co sugeruje, że trenowanie na obiektywnych wynikach cewnikowania może dawać systemowi głębsze zrozumienie choroby.

Co to może znaczyć dla pacjentów

Praca ta pokazuje, że model komputerowy może wykorzystać zwykłe EKG oraz podstawowe dane, takie jak wiek i płeć, by szybko wskazać, którzy pacjenci prawdopodobnie mają świeżo zatkaną tętnicę wieńcową i gdzie znajduje się to zatkanie. Ponieważ metoda nie polega na badaniach krwi ani na zgodzie lekarzy co do subtelnych wzorców EKG, może skrócić czas od pierwszego kontaktu medycznego do przywrócenia drożności tętnicy i zmniejszyć liczbę niepotrzebnych procedur ratunkowych. Autorzy podkreślają, że ich narzędzie wciąż musi zostać przetestowane w badaniach klinicznych śledzących wyniki pacjentów, zanim zostanie wprowadzone do rutynowej opieki, ale wskazuje na przyszłość, w której inteligentna analiza EKG pomaga zapewnić, że właściwe osoby trafią do pracowni cewnikowania w odpowiednim czasie.

Cytowanie: 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

Słowa kluczowe: elektrokardiogram, głębokie uczenie, zawał mięśnia sercowego, zatorowość wieńcowa, medyczna AI